論文の概要: Tokenised Flow Matching for Hierarchical Simulation Based Inference

• arxiv url: http://arxiv.org/abs/2604.20723v1
• Date: Wed, 22 Apr 2026 16:07:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.217823
• Title: Tokenised Flow Matching for Hierarchical Simulation Based Inference
• Title（参考訳）: 階層型シミュレーションに基づく推論のためのトークンフローマッチング
• Authors: Giovanni Charles, Cosmo Santoni, Seth Flaxman, Elizaveta Semenova,
• Abstract要約: シミュレーションに基づく推論では,シミュレータ評価のコストが重要なボトルネックとなっている。 共有グローバルパラメータと交換可能なサイトレベルのパラメータと観測を備えた階層的設定では、この構造を利用してシミュレーション効率を向上させることができる。 本稿では,確率分解による関数値の観測を支援するトークン化フローマッチング手法であるTFMPE(Tokenized Flow Matching for Posterior Estimation)を提案する。
• 参考スコア（独自算出の注目度）: 0.4199844472131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The cost of simulator evaluations is a key practical bottleneck for Simulation Based Inference (SBI). In hierarchical settings with shared global parameters and exchangeable site-level parameters and observations, this structure can be exploited to improve simulation efficiency. Existing hierarchical SBI approaches factorise the posterior yet still simulate across multiple sites per training sample; We instead explore likelihood factorisation (LF) to train from single-site simulations. In LF sampling we learn a per-site neural surrogate of the simulator and then assemble synthetic multi-site observations to amortise inference for the full hierarchical posterior. Building on this, we propose Tokenised Flow Matching for Posterior Estimation (TFMPE), a tokenised flow matching approach that supports function-valued observations through likelihood factorisation. To enable systematic evaluation, we introduce a benchmark for hierarchical SBI. We validate TFMPE on this benchmark and on realistic infectious disease and computational fluid dynamics models, finding well-calibrated posteriors while reducing computational cost.
• Abstract（参考訳）: シミュレータ評価のコストはシミュレーションベース推論(SBI)において重要なボトルネックとなっている。 共有グローバルパラメータと交換可能なサイトレベルのパラメータと観測を備えた階層的設定では、この構造を利用してシミュレーション効率を向上させることができる。 既存の階層的なSBIアプローチは、トレーニングサンプル毎に後方をシミュレートするが、それでも複数のサイトをシミュレートする; 代わりに、単一サイトシミュレーションからトレーニングするための可能性分解(LF)を探る。 LFサンプリングでは、シミュレータの部位ごとのニューラルネットワークサロゲートを学習し、その後、合成多地点観測を組み立て、完全な階層後部の推論を補正する。 これに基づいて,確率分解による関数値の観測を支援するトークン化フローマッチング手法であるTFMPE(Tokenized Flow Matching for Posterior Estimation)を提案する。 系統評価を実現するために,階層型SBIのベンチマークを導入する。 我々は,本ベンチマークおよび現実的な伝染病および計算流体力学モデル上でのTFMPEの有効性を検証し,計算コストを低減しつつ,よく校正された後部を見いだした。

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)
• Inductive Domain Transfer In Misspecified Simulation-Based Inference [29.26298096319145]
  キャリブレーションと分散アライメントを1つのエンドツーエンドのトレーニング可能なモデルに統合する,完全な帰納的・償却型SBIフレームワークを提案する。 我々のアプローチは、他の標準SBIおよび非SBI推定器と同様に、RoPEの性能と一致または上回っている。
  論文  参考訳（メタデータ） (2025-08-21T14:06:42Z)
• 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)
• 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)
• 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)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• 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)

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。