論文の概要: Preconditioned Robust Neural Posterior Estimation for Misspecified Simulators

• arxiv url: http://arxiv.org/abs/2602.18004v1
• Date: Fri, 20 Feb 2026 05:32:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.239308
• Title: Preconditioned Robust Neural Posterior Estimation for Misspecified Simulators
• Title（参考訳）: 未特定シミュレータの予備条件付きロバスト後部推定
• Authors: Ryan P. Kelly, David T. Frazier, David J. Warne, Christopher C. Drovandi,
• Abstract要約: 我々は,不特定条件下でのプレコンディショニングについて検討し,前条件付き頑健な神経後部推定を提案する。 本研究は, 安定度の高いNPEと組み合わせたプレコンディショニングにより, 標準ベースライン法よりも安定性が向上し, 精度, キャリブレーション, 後部予測適合性が向上することが実証された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based inference (SBI) enables parameter estimation for complex stochastic models with intractable likelihoods when model simulation is feasible. Neural posterior estimation (NPE) is a popular SBI approach that often achieves accurate inference with far fewer simulations than classical approaches. But in practice, neural approaches can be unreliable for two reasons: incompatible data summaries arising from model misspecification yield unreliable posteriors due to extrapolation, and prior-predictive draws can produce extreme summaries that lead to difficulties in obtaining an accurate posterior for the observed data of interest. Existing preconditioning schemes target well-specified settings, and their behaviour under misspecification remains unexplored. We study preconditioning under misspecification and propose preconditioned robust neural posterior estimation, which computes data-dependent weights that focus training near the observed summaries and fits a robust neural posterior approximation. We also introduce a forest-proximity preconditioning approach that uses tree-based proximity scores to down-weight outlying simulations and concentrate computation around the observed dataset. Across two synthetic examples and one real example with incompatible summaries and extreme prior-predictive behaviour, we demonstrate that preconditioning combined with robust NPE increases stability and improves accuracy, calibration, and posterior-predictive fit over standard baseline methods.
• Abstract（参考訳）: シミュレーションベース推論(SBI)は、モデルシミュレーションが実現可能な場合の難解な確率を持つ複素確率モデルに対するパラメータ推定を可能にする。 神経後部推定(NPE)は、しばしば古典的手法よりもはるかに少ないシミュレーションで正確な推論を行う一般的なSBI手法である。 しかし、実際には、神経アプローチは2つの理由で信頼できないことがある: モデルミス種別から生じる非互換なデータ要約は、外挿によって信頼できない後部を生み出す。 既存のプレコンディショニングスキームは、よく特定された設定をターゲットとしており、不特定な条件下での動作は、まだ探索されていない。 提案手法は,観測したサマリー付近でトレーニングを集中するデータ依存重みを計算し,頑健な神経後部近似に適合する。 また、木に基づく近接スコアを用いて、下降シミュレーションを行い、観測されたデータセットの周辺に計算を集中させる森林親和性プレコンディショニング手法も導入する。 2つの合成例と1つの実例が相容れない要約と極端な事前予測行動を持ち、我々は頑健なNPEと組み合わされたプレコンディショニングが安定性を高め、標準基準法よりも精度、校正、後部予測適合を改善することを示した。

関連論文リスト

• Flow Matching for Robust Simulation-Based Inference under Model Misspecification [11.172752919335394]
  Flow Matching Corrected Posterior Estimation(フローマッチング補正後推定)は、シミュレーションによって訓練された後部推定を、少数の実校正サンプルを用いて洗練するフレームワークである。 提案手法は,従来のSBIベースラインと比較して,推論精度と不確実性を向上し,不特定性の影響を常に緩和することを示す。
  論文  参考訳（メタデータ） (2025-09-27T16:10:53Z)
• Robust variational neural posterior estimation for simulation-based inference [0.0]
  頑健な変動性神経後部推定(RVNP)を導入する。 RVNPは、変分推論と誤りモデリングを用いた償却シミュレーションと現実間ギャップにおける誤特定の問題に対処する。
  論文  参考訳（メタデータ） (2025-09-06T14:10:49Z)
• Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
  不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。 本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-01T09:13:27Z)
• Preconditioned Neural Posterior Estimation for Likelihood-free Inference [5.651060979874024]
  本稿では,低次元問題においても,神経後部推定法(NPE)の精度は高くないことを示す。 我々は,ABCの短い動作でパラメータ空間の領域を効果的に排除し,シミュレーションとデータ間の大きな相違を生じさせる,プレコンディション付きNPEとそのシーケンシャルバージョン(PSNPE)を提案する。 本稿では, ニューラルネットワークと統計的SBI法を融合させることにより, 様々な事例において性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-04-21T07:05:38Z)
• A variational neural Bayes framework for inference on intractable posterior distributions [1.0801976288811024]
  トレーニングされたニューラルネットワークに観測データを供給することにより、モデルパラメータの後方分布を効率的に取得する。 理論的には、我々の後部はKulback-Leiblerの発散において真の後部に収束することを示す。
  論文  参考訳（メタデータ） (2024-04-16T20:40:15Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• 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)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• 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。