論文の概要: Information-Preserving Domain Transfer with Unlabeled Data in Misspecified Simulation-Based Inference

• arxiv url: http://arxiv.org/abs/2605.05652v1
• Date: Thu, 07 May 2026 04:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.51291
• Title: Information-Preserving Domain Transfer with Unlabeled Data in Misspecified Simulation-Based Inference
• Title（参考訳）: 不正なシミュレーションに基づく推論におけるラベル付きデータによる情報保存ドメイン転送
• Authors: Joon Jang, Eunho Jeong, Kyu Sung Choi, Hyeonjin Kim,
• Abstract要約: シミュレーションベース推論(SBI)は、明示的な確実性評価を必要とせず、シミュレータ生成データからアモータイズされたベイズパラメータ推論を提供する。 SBIは、実世界の観測が訓練に使用されるシミュレータによってうまく表現されていないモデルミススペクテーションの下で分解することができる。 本研究では,パラメータ関連情報保存ドメイン転送を行うSBIフレームワークSPINを提案する。
• 参考スコア（独自算出の注目度）: 4.129847064263056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based inference (SBI) provides amortized Bayesian parameter inference from simulator-generated data without requiring explicit likelihood evaluation. Its reliability can degrade under model misspecification, where real-world observations are not well represented by the simulator used for training. Existing methods using unlabeled real-world data often align simulated and real-world data distributions, but marginal alignment alone does not directly preserve parameter-relevant information needed for posterior inference. We propose SPIN, an SBI framework with parameter-relevant information-preserving domain transfer using unlabeled, unpaired real-world observations. During training, SPIN translates labeled simulator observations toward the real-world domain and back to the simulator domain, using the original simulator labels to encourage domain transfer that preserves parameter-relevant mutual information. At test time, the learned real-to-simulator transport maps real-world observations into the simulator domain for posterior inference, without requiring real-world parameter labels or paired real--simulator observations. Across controlled synthetic and physical real-world benchmarks, SPIN improves real-world posterior inference, with the improvement becoming clearer as misspecification increases.
• Abstract（参考訳）: シミュレーションベース推論(SBI)は、明示的な確実性評価を必要とせず、シミュレータ生成データからアモータイズされたベイズパラメータ推論を提供する。 その信頼性は、実世界の観測が訓練に使用されるシミュレータによってうまく表現されていないモデルミススペクテーションの下で低下する可能性がある。 ラベルのない実世界のデータを用いた既存の手法は、シミュレーションと実世界のデータ分布を整列することが多いが、境界アライメントだけでは、後部推論に必要なパラメータ関連情報を直接保存しない。 本研究では,パラメータ関連情報保存ドメイン転送を行うSBIフレームワークSPINを提案する。 トレーニング中、SPINはラベル付きシミュレータ観察を実世界の領域に翻訳し、元のシミュレータラベルを使用してパラメータ関連情報を保存するドメイン転送を奨励する。 テスト時に、学習された実シミュレーショントランスポートは、実世界のパラメータラベルやペアの実シミュレーション観察を必要とせず、後部推論のために実世界の観測をシミュレータ領域にマッピングする。 制御された合成および物理実世界のベンチマーク全体において、SPINは実際の後部推論を改善し、誤特定が増加するにつれて改善がより明確になる。

関連論文リスト

• Bridging Simulation and Reality: Cross-Domain Transfer with Semantic 2D Gaussian Splatting [60.513168855890974]
  ロボット操作におけるクロスドメイン転送は、シミュレートされた環境と実世界の環境の間に大きなドメインギャップがあるため、長年にわたる課題である。 本研究では,オブジェクト中心の領域不変空間特徴を抽出する新しい表現法であるSemantic 2D Gaussian Splatting (S2GS)を提案する。 S2GSはsim-to-real転送性を大幅に改善し、現実世界のシナリオで高安定なタスク性能を維持する。
  論文  参考訳（メタデータ） (2025-12-04T12:16:15Z)
• ASBI: Leveraging Informative Real-World Data for Active Black-Box Simulator Tuning [4.246528354565986]
  ブラックボックスシミュレータはロボット工学で広く使われているが、そのパラメータを最適化することは、アクセス不能な可能性のために難しいままである。 本研究では,実世界のオンラインデータを積極的に収集するロボットを用いたパラメータ推定フレームワークである能動シミュレーションベース推論(ASBI)を提案する。
  論文  参考訳（メタデータ） (2025-10-17T05:38:33Z)
• 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)
• MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection [47.86433139298671]
  本稿では,MAWILAB v1.1データセットから得られたフローベースベンチマークであるMAWIFlowを紹介する。 得られたデータセットは、2011年1月、2016年、2021年に太平洋横断のバックボーンのトラフィックから引き出された、時間的に異なるサンプルで構成されている。 決定木、ランダムフォレスト、XGBoost、ロジスティック回帰を含む伝統的な機械学習手法は、CNN-BiLSTMアーキテクチャに基づいたディープラーニングモデルと比較される。
  論文  参考訳（メタデータ） (2025-06-20T14:51:35Z)
• G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
  G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。 信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
  論文  参考訳（メタデータ） (2025-06-10T22:14:34Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
  シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。 ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。 実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:55Z)

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。