論文の概要: Scalable Simulation-Based Model Inference with Test-Time Complexity Control

• arxiv url: http://arxiv.org/abs/2603.15292v1
• Date: Mon, 16 Mar 2026 13:54:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.40161
• Title: Scalable Simulation-Based Model Inference with Test-Time Complexity Control
• Title（参考訳）: テスト時間複雑度制御を用いたスケーラブルなシミュレーションモデル推論
• Authors: Manuel Gloeckler, J. P. Manzano-Patrón, Stamatios N. Sotiropoulos, Cornelius Schröder, Jakob H. Macke,
• Abstract要約: PRISMはシミュレーションベースのエンコーダデコーダであり、両方の離散モデル構造に対して結合後部を推論する。 拡散MRIデータに対する生体物理モデリングにおけるPRISMの評価を行い、複数のマルチコンパートメントモデル間でモデル選択を行う能力を示す。
• 参考スコア（独自算出の注目度）: 12.86778906492369
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation plays a central role in scientific discovery. In many applications, the bottleneck is no longer running a simulator; it is choosing among large families of plausible simulators, each corresponding to different forward models/hypotheses consistent with observations. Over large model families, classical Bayesian workflows for model selection are impractical. Furthermore, amortized model selection methods typically hard-code a fixed model prior or complexity penalty at training time, requiring users to commit to a particular parsimony assumption before seeing the data. We introduce PRISM, a simulation-based encoder-decoder that infers a joint posterior over both discrete model structures and associated continuous parameters, while enabling test-time control of model complexity via a tunable model prior that the network is conditioned on. We show that PRISM scales to families with combinatorially many (up to billions) of model instantiations on a synthetic symbolic regression task. As a scientific application, we evaluate PRISM on biophysical modeling for diffusion MRI data, showing the ability to perform model selection across several multi-compartment models, on both synthetic and in vivo neuroimaging data.
• Abstract（参考訳）: シミュレーションは科学的な発見において中心的な役割を果たす。 多くのアプリケーションでは、ボトルネックはもはやシミュレーターを走らせておらず、観測と一致した様々な前方モデル/仮説に対応する、可塑性シミュレーターの大きなファミリーの中から選択されている。 大規模なモデル族では、モデル選択のための古典的ベイズ的ワークフローは非現実的である。 さらに、償却モデル選択法は、通常、トレーニング時に固定モデル前や複雑性ペナルティをハードコーディングし、ユーザーはデータを見る前に特定のパーシモニー仮定をコミットしなければならない。 シミュレーションに基づくエンコーダデコーダであるPRISMを導入し、離散モデル構造と関連する連続パラメータの両方に対して結合後部を推論すると同時に、ネットワークがコンディションされる前にチューナブルモデルを介してモデル複雑性のテスト時間制御を可能にする。 PRISMは、合成記号回帰タスクにおいて、モデルインスタンス化が組み合わさった数(最大数十億)の家族にスケールすることを示す。 本研究では, 拡散MRIデータに対する生体物理モデリングにおけるPRISMの評価を行い, 合成および生体内ニューロイメージングデータを用いて, 複数のマルチコンパートメントモデル間でモデル選択を行う能力を示す。

関連論文リスト

• 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)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Simultaneous identification of models and parameters of scientific simulators [7.473394133229206]
  本研究は,本質的なモデルコンポーネントを特定するためのシミュレーションベースの推論フレームワークを開発する。 いかなる構成シミュレータにも、評価を必要とせずに適用することができる。 非識別のモデルコンポーネントとパラメータを明らかにします。
  論文  参考訳（メタデータ） (2023-05-24T14:06:02Z)
• Deep incremental learning models for financial temporal tabular datasets with distribution shifts [0.9790236766474201]
  このフレームワークは、単純な基本的なビルディングブロック(決定木)を使用して、必要な複雑さの自己相似モデルを構築する。 我々は,NumeraiデータセットでトレーニングしたXGBoostモデルを用いて提案手法を実証し,異なるモデルスナップショット上での2層のXGBoostモデルの深部アンサンブルが高品質な予測を提供することを示す。
  論文  参考訳（メタデータ） (2023-03-14T14:10:37Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Seq2Seq Surrogates of Epidemic Models to Facilitate Bayesian Inference [0.6524460254566905]
  深部シーケンス・ツー・シークエンス(seq2seq)モデルは,複雑な流行モデルに対する正確なサロゲートとして機能することを示す。 トレーニングが完了すると、サロゲートはオリジナルのモデルよりも数千倍高速なシナリオを予測できます。
  論文  参考訳（メタデータ） (2022-09-20T11:23:19Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。