論文の概要: Calibrated Test-Time Guidance for Bayesian Inference

• arxiv url: http://arxiv.org/abs/2602.22428v1
• Date: Wed, 25 Feb 2026 21:38:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.417634
• Title: Calibrated Test-Time Guidance for Bayesian Inference
• Title（参考訳）: ベイズ推論のための校正試験時間ガイダンス
• Authors: Daniel Geyfman, Felix Draxler, Jan Groeneveld, Hyunsoo Lee, Theofanis Karaletsos, Stephan Mandt,
• Abstract要約: 一般的なテストタイムガイダンス手法では, 正確な後部分布の復元は行わず, この故障の原因となる構造的近似を同定する。 次にベイズ後部からのサンプリングを可能にする一貫した代替推定器を提案する。 我々はベイズ推論の一連のタスクにおいて過去の手法よりも大幅に優れており、ブラックホール画像再構成における最先端の手法と一致している。
• 参考スコア（独自算出の注目度）: 25.653139110512914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-time guidance is a widely used mechanism for steering pretrained diffusion models toward outcomes specified by a reward function. Existing approaches, however, focus on maximizing reward rather than sampling from the true Bayesian posterior, leading to miscalibrated inference. In this work, we show that common test-time guidance methods do not recover the correct posterior distribution and identify the structural approximations responsible for this failure. We then propose consistent alternative estimators that enable calibrated sampling from the Bayesian posterior. We significantly outperform previous methods on a set of Bayesian inference tasks, and match state-of-the-art in black hole image reconstruction.
• Abstract（参考訳）: テストタイムガイダンスは、報酬関数によって指定された結果に対して、事前訓練された拡散モデルを操るための広く用いられるメカニズムである。 しかし、既存のアプローチでは、真のベイズの後部からのサンプリングよりも報酬の最大化に焦点が当てられており、誤校正推論につながっている。 本研究は,一般的なテストタイムガイダンス手法が正しい後部分布を復元しないことを示すとともに,この故障の原因となる構造的近似を同定する。 次に、ベイズ後部からの校正サンプリングを可能にする一貫した代替推定器を提案する。 我々はベイズ推論の一連のタスクにおいて過去の手法よりも大幅に優れており、ブラックホール画像再構成における最先端の手法と一致している。

関連論文リスト

• Proximal-IMH: Proximal Posterior Proposals for Independent Metropolis-Hastings with Approximate Operators [4.887201041798969]
  本稿では,近似後部からのサンプルを補助最適化問題により補正する手法であるProximal-IMHを紹介する。 最適設定のために、近似補正が近似後部と正確な後部とのマッチングを締め付け、受容率と混合率を向上させることを証明した。 この方法は線形および非線形入力出力演算子の両方に適用され、特に正確な後方サンプリングが高価すぎる逆問題に向いている。
  論文  参考訳（メタデータ） (2026-02-24T22:58:50Z)
• Universal priors: solving empirical Bayes via Bayesian inference and pretraining [25.835876583903282]
  合成データに事前学習した変換器は,経験的ベイズ(EB)問題に対して高い性能を達成する。 我々は,事前訓練したベイズ推定器が任意の試験分布に適応できる理由を問う。
  論文  参考訳（メタデータ） (2026-02-16T19:29:27Z)
• Provable Diffusion Posterior Sampling for Bayesian Inversion [13.807494493914335]
  本稿では,プラグイン・アンド・プレイ・フレームワークにおける新しい拡散型後方サンプリング手法を提案する。 後続スコアを近似するために,ランゲヴィン力学を用いて粒子を生成するモンテカルロ推定器を開発した。 理論的には,非漸近誤差境界(non-asymptotic error bounds)を提供する。
  論文  参考訳（メタデータ） (2025-12-08T20:34:05Z)
• Divide-and-Conquer Posterior Sampling for Denoising Diffusion Priors [21.0128625037708]
  提案手法は, 分割・分散型後方サンプリング方式である。 これにより、再トレーニングを必要とせずに、現在のテクニックに関連する近似誤差を低減することができる。 ベイズ逆問題に対するアプローチの汎用性と有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T01:47:24Z)
• 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)
• Variational Prediction [95.00085314353436]
  本稿では,変動境界を用いた後部予測分布に対する変動近似の学習手法を提案する。 このアプローチは、テスト時間の限界化コストを伴わずに、優れた予測分布を提供することができる。
  論文  参考訳（メタデータ） (2023-07-14T18:19:31Z)
• Boost Test-Time Performance with Closed-Loop Inference [85.43516360332646]
  そこで本研究では,モデル性能を高めるために,ループ方式でハードクラス化試験サンプルを予測することを提案する。 まず、追加の推論ループを必要とするハードクラス化テストサンプルを識別するためにフィルタリング基準を考案する。 各ハードサンプルに対して、モデルのキャリブレーションを行うために、元の上位$K$予測に基づいて補助学習タスクを構築する。
  論文  参考訳（メタデータ） (2022-03-21T10:20:21Z)
• Posterior temperature optimized Bayesian models for inverse problems in medical imaging [59.82184400837329]
  本研究は, 医用画像における逆問題に対する非教師的ベイズ的アプローチである。 最適化後温度が精度の向上と不確実性評価に繋がることを示す。 ソースコードは calibrated.com/Cardio-AI/mfvi-dip-mia で公開されています。
  論文  参考訳（メタデータ） (2022-02-02T12:16:33Z)
• Residual Overfit Method of Exploration [78.07532520582313]
  提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。 このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
  論文  参考訳（メタデータ） (2021-10-06T17:05:33Z)
• Understanding Variational Inference in Function-Space [20.940162027560408]
  この設定で、Kullback-Leiblerの発散を利用する際の利点と制限を強調します。 近似品質を直接測定する関数空間推論手法のベンチマークとしてベイズ線形回帰法を提案する。
  論文  参考訳（メタデータ） (2020-11-18T17:42:01Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。