論文の概要: Amortised and provably-robust simulation-based inference

• arxiv url: http://arxiv.org/abs/2602.11325v2
• Date: Tue, 17 Feb 2026 08:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 13:57:33.600638
• Title: Amortised and provably-robust simulation-based inference
• Title（参考訳）: Amortized and Proprovably-robust Simulation-based inference
• Authors: Ayush Bharti, Charita Dellaporta, Yuga Hikida, François-Xavier Briol,
• Abstract要約: 本稿では,一般化ベイズ推論に基づくシミュレーションに基づく推論手法を提案する。 マルコフ連鎖モンテカルロサンプリングを必要とせずに推論をさらに単純化し実行できることを実証する。
• 参考スコア（独自算出の注目度）: 8.066034633422252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex simulator-based models are now routinely used to perform inference across the sciences and engineering, but existing inference methods are often unable to account for outliers and other extreme values in data which occur due to faulty measurement instruments or human error. In this paper, we introduce a novel approach to simulation-based inference grounded in generalised Bayesian inference and a neural approximation of a weighted score-matching loss. This leads to a method that is both amortised and provably robust to outliers, a combination not achieved by existing approaches. Furthermore, through a carefully chosen conditional density model, we demonstrate that inference can be further simplified and performed without the need for Markov chain Monte Carlo sampling, thereby offering significant computational advantages, with complexity that is only a small fraction of that of current state-of-the-art approaches.
• Abstract（参考訳）: 複雑なシミュレーターベースのモデルは現在、科学や工学全体にわたって推論を行うために日常的に使用されているが、既存の推論手法では、異常測定器やヒューマンエラーによって発生するデータにおける外れ値やその他の極端な値が説明できないことが多い。 本稿では,一般化ベイズ推定に基づくシミュレーションに基づく推論と,重み付きスコアマッチング損失のニューラル近似を提案する。 これにより、既存のアプローチでは達成できないような、アモート化され、かつ証明可能な、外れ値に対して堅牢な方法が導かれる。 さらに、慎重に選択された条件密度モデルにより、マルコフ連鎖モンテカルロサンプリングを必要とせずに推論をさらに単純化し、実行できることを示し、その結果、現在の最先端手法のごく一部に過ぎず、計算上の利点を著しく与えている。

関連論文リスト

• A Metalearned Neural Circuit for Nonparametric Bayesian Inference [4.767884267554628]
  機械学習の分類への応用のほとんどは、バランスの取れたクラスの閉じた集合を前提としている。 これは、クラス発生統計が長い尾の力量分布に従うことがしばしばある実世界と矛盾する。 本研究では,非パラメトリックベイズモデルから誘導バイアスを抽出し,人工ニューラルネットワークに転送する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-24T16:43:17Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Convergence of uncertainty estimates in Ensemble and Bayesian sparse model discovery [4.446017969073817]
  ブートストラップに基づく逐次しきい値最小二乗推定器による雑音に対する精度と頑健性の観点から経験的成功を示す。 このブートストラップに基づくアンサンブル手法は,誤差率の指数収束率で,確率的に正しい可変選択を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-01-30T04:07:59Z)
• Maximum Likelihood Learning of Unnormalized Models for Simulation-Based Inference [44.281860162298564]
  シミュレーションベース推論のための2つの合成確率法を提案する。 本研究では,シミュレータによって生成された合成データを用いて,条件付きエネルギーベースモデル(EBM)を学習する。 本研究は, カニの神経科学ネットワークのモデルに適用し, 各種合成データセット上での両手法の特性を実証する。
  論文  参考訳（メタデータ） (2022-10-26T14:38:24Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Simulation-Assisted Decorrelation for Resonant Anomaly Detection [1.5675763601034223]
  異常検出に対する弱い、教師なしの機械学習アプローチが増えている。 例の1つは共鳴新しい物理学の探索であり、そこではバンプハントを不変質量スペクトルで行うことができる。 学習に最小限の原型シミュレーションを組み込むことにより,この問題に対する2つの解決策を探求する。
  論文  参考訳（メタデータ） (2020-09-04T14:02:15Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Detangling robustness in high dimensions: composite versus model-averaged estimation [11.658462692891355]
  ロバスト法は、実際にはユビキタスであるが、正規化推定や高次元の文脈ではまだ完全には理解されていない。 本稿では,これらの設定におけるロバスト性をさらに研究し,予測に焦点を当てたツールボックスを提供する。
  論文  参考訳（メタデータ） (2020-06-12T20:40:15Z)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。