論文の概要: Pawsterior: Variational Flow Matching for Structured Simulation-Based Inference
- arxiv url: http://arxiv.org/abs/2602.13813v1
- Date: Sat, 14 Feb 2026 14:54:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-17 14:17:28.439787
- Title: Pawsterior: Variational Flow Matching for Structured Simulation-Based Inference
- Title（参考訳）: Pawsterior:構造化シミュレーションに基づく推論のための変分フローマッチング
- Authors: Jorge Carrasco-Pollo, Floor Eijkelboom, Jan-Willem van de Meent,
- Abstract要約: シミュレーションベース推論(SBI)の改良と拡張のための変動フローマッチングフレームワークであるPawsteriorを紹介する。
多くのSBI問題は、有界な物理パラメータやハイブリッド離散連続変数など、構造化された領域によって制約された後部を含む。
幾何的制約と離散潜在構造の両方に対処することにより、Pawsteriorはフローマッチングを以前アクセス不能であったより広範な構造化されたSBI問題に拡張する。
- 参考スコア（独自算出の注目度）: 10.161936647987517
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Pawsterior, a variational flow-matching framework for improved and extended simulation-based inference (SBI). Many SBI problems involve posteriors constrained by structured domains, such as bounded physical parameters or hybrid discrete-continuous variables, yet standard flow-matching methods typically operate in unconstrained spaces. This mismatch leads to inefficient learning and difficulty respecting physical constraints. Our contributions are twofold. First, generalizing the geometric inductive bias of CatFlow, we formalize endpoint-induced affine geometric confinement, a principle that incorporates domain geometry directly into the inference process via a two-sided variational model. This formulation improves numerical stability during sampling and leads to consistently better posterior fidelity, as demonstrated by improved classifier two-sample test performance across standard SBI benchmarks. Second, and more importantly, our variational parameterization enables SBI tasks involving discrete latent structure (e.g., switching systems) that are fundamentally incompatible with conventional flow-matching approaches. By addressing both geometric constraints and discrete latent structure, Pawsterior extends flow-matching to a broader class of structured SBI problems that were previously inaccessible.
- Abstract（参考訳）: Pawsteriorは,シミュレーションベース推論(SBI)の改良と拡張のための変動フローマッチングフレームワークである。
多くのSBI問題は、有界な物理パラメータやハイブリッドな離散連続変数など、構造化された領域によって制約された後部を含むが、標準的なフローマッチング法は通常、制約のない空間で機能する。
このミスマッチは、非効率な学習と、物理的な制約を尊重することの難しさにつながります。
私たちの貢献は2倍です。
第一に、CatFlowの幾何学的帰納バイアスを一般化し、両面変動モデルを介してドメイン幾何学を直接推論プロセスに組み込む、エンドポイント誘起アフィン幾何閉じ込めを定式化する。
この定式化によりサンプリング時の数値安定性が向上し、標準SBIベンチマークにおける分類器の2サンプル試験性能の改善が示すように、後部忠実度が一貫して向上する。
第二に、我々の変動パラメータ化は、従来のフローマッチング手法と根本的に相容れない離散潜在構造(例えば、スイッチングシステム)を含むSBIタスクを可能にする。
幾何的制約と離散潜在構造の両方に対処することにより、Pawsteriorはフローマッチングを以前アクセス不能であったより広範な構造化されたSBI問題に拡張する。
関連論文リスト
- Scalable Mean-Field Variational Inference via Preconditioned Primal-Dual Optimization [7.193011407502236]
我々は、拡張ラグランジアン定式化に基づく新しい原始双対アルゴリズム(PD-VI)を開発した。
PD-VIは、グローバルおよび局所的な変動パラメータを、スケーラブルな方法で下限のエビデンスで共同で更新する。
PD-VIとP$2$D-VIのコンバージェンス保証を、適切に選択された一定のステップサイズで確立する。
論文 参考訳（メタデータ） (2026-02-07T17:24:15Z) - Towards A Unified PAC-Bayesian Framework for Norm-based Generalization Bounds [63.47271262149291]
PAC-Bayesianノルムに基づく一般化のための統一的なフレームワークを提案する。
提案手法の鍵となるのは、構造的重み摂動に関してネットワーク出力を定量化する感度行列である。
我々は、いくつかの既存のPAC-ベイジアン結果を特殊ケースとして回復する一般化境界の族を導出する。
論文 参考訳（メタデータ） (2026-01-13T00:42:22Z) - The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。
時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。
本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
論文 参考訳（メタデータ） (2025-12-21T06:08:22Z) - Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。
我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。
原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
論文 参考訳（メタデータ） (2025-09-16T17:24:35Z) - Geometrically Constrained and Token-Based Probabilistic Spatial Transformers [5.437226012505534]
我々は、トランスフォーマーベースのビジョンパイプラインの標準化ツールとして、空間トランスフォーマーネットワーク(STN)を再考する。
本稿では、堅牢性を向上させる確率的、コンポーネントワイドな拡張を提案する。
本手法が他のSTNと比較して頑健さを常に向上することを示す。
論文 参考訳（メタデータ） (2025-09-14T11:30:53Z) - Data-Driven Adaptive Gradient Recovery for Unstructured Finite Volume Computations [0.0]
双曲的保存則に対する非構造有限体積法における勾配再構成の強化のための新しいデータ駆動手法を提案する。
提案手法は,DeepONetアーキテクチャを改良して,従来の構造化グリッド手法を非構造化メッシュに拡張する。
提案アルゴリズムは従来の2階有限体積解法よりも高速かつ高精度である。
論文 参考訳（メタデータ） (2025-07-22T13:23:57Z) - Generalized Linear Mode Connectivity for Transformers [87.32299363530996]
驚くべき現象はリニアモード接続(LMC)であり、独立に訓練されたモデルを低損失またはゼロ損失の経路で接続することができる。
以前の研究は主に置換によるニューロンの並べ替えに焦点を合わせてきたが、そのようなアプローチは範囲に限られている。
我々は、4つの対称性クラス(置換、半置換、変換、一般可逆写像)をキャプチャする統一的なフレームワークを導入する。
この一般化により、独立に訓練された視覚変換器とGPT-2モデルの間の低障壁とゼロバリア線形経路の発見が可能となった。
論文 参考訳（メタデータ） (2025-06-28T01:46:36Z) - Model-Informed Flows for Bayesian Inference [15.20207905147315]
VIPとフルランクのガウス流は、翻訳項とモデル先行からの入力を付加した前方自己回帰流として正確に表現できることを示す。
モデルインフォームド・フローアーキテクチャを導入し、必要な翻訳機構、事前情報、階層的順序付けを追加する。
論文 参考訳（メタデータ） (2025-05-30T06:08:00Z) - Bridging Geometric States via Geometric Diffusion Bridge [79.60212414973002]
本稿では,初期および対象の幾何状態を正確にブリッジする新しい生成モデリングフレームワークであるGeometric Diffusion Bridge (GDB)を紹介する。
GDBは、幾何学的状態の接続のためにDoobの$h$-transformの修正版から派生した同変拡散ブリッジを使用している。
我々はGDBが既存の最先端のアプローチを超越し、幾何学的状態を正確にブリッジするための新しい経路を開くことを示す。
論文 参考訳（メタデータ） (2024-10-31T17:59:53Z) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳（メタデータ） (2019-11-29T19:17:58Z)
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。