論文の概要: Mixed neural posterior estimation for simulators with discrete and continuous parameters

• arxiv url: http://arxiv.org/abs/2605.13551v1
• Date: Wed, 13 May 2026 13:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.089087
• Title: Mixed neural posterior estimation for simulators with discrete and continuous parameters
• Title（参考訳）: 離散パラメータと連続パラメータを持つシミュレータの混合神経後部推定
• Authors: Jan Boelts, Cornelius Schröder, Jonas Beck, Jakob H. Macke, Michael Deistler, Daniel Gedon,
• Abstract要約: 我々は推定ネットワークを訓練し、与えられたパラメータよりも確率密度を推定する(典型的には不連続であると仮定される)。 我々はNPEを離散パラメータと連続パラメータを協調的に扱う推論ネットワークを通じて混合パラメータ空間に拡張する。 牽引可能な玩具の例と実世界のシミュレーターを通して、我々のジョイント推論アプローチは正確で校正された後部を産み出す。
• 参考スコア（独自算出の注目度）: 19.292839628979113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural Posterior Estimation (NPE) enables rapid parameter inference for complex simulators with intractable likelihoods. NPE trains an inference network to estimate a probability density over parameters given data, typically assumed to be \emph{continuous}. However, many scientific models involve parameter spaces that are \emph{mixed}, that is, they contain both discrete and continuous dimensions. We address this limitation by extending NPE to mixed parameter spaces through an inference network that jointly handles discrete and continuous parameters. The inference network factorizes the joint posterior into discrete and continuous components, combining an autoregressive classifier for the discrete parameters with a generative model for the continuous parameters, trained jointly under a single simulation-based objective. In addition, we propose a diagnostic tool to assess the calibration of the mixed posterior approximation. Across tractable toy examples and real-world scientific simulators, our joint inference approach yields accurate and calibrated posteriors. The inference framework is available in the \texttt{sbi} Python package.
• Abstract（参考訳）: NPE(Neural Posterior Estimation)は、難易度の高い複雑なシミュレータの高速パラメータ推論を可能にする。 NPEは推論ネットワークを訓練し、与えられたデータに対して確率密度を推定する(通常、emph{continuous} と仮定される)。 しかし、多くの科学モデルでは、パラメータ空間は \emph{mixed} であり、離散次元と連続次元の両方を含む。 我々は、離散パラメータと連続パラメータを協調的に扱う推論ネットワークを通じて、NPEを混合パラメータ空間に拡張することで、この制限に対処する。 推論ネットワークは、連続パラメータの自己回帰分類器と連続パラメータの生成モデルとを1つのシミュレーションベース目的の下で共同で訓練することにより、関節後部を離散的かつ連続的な成分に分解する。 さらに,混合後近似の校正を評価するための診断ツールを提案する。 抽出可能なおもちゃの例と実世界の科学シミュレーターを通して、我々のジョイント推論アプローチは正確で校正された後部を産み出す。 推論フレームワークは、 \texttt{sbi} Pythonパッケージで利用できる。

関連論文リスト

• A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
  後部分布フレームワークのニューラルネットワークに基づく近似を導入する。 我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
  論文  参考訳（メタデータ） (2025-07-14T18:31:19Z)
• FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
  同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。 本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
  論文  参考訳（メタデータ） (2024-05-23T13:37:26Z)
• 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)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Arbitrary Marginal Neural Ratio Estimation for Simulation-based Inference [7.888755225607877]
  本稿では,数値積分に頼らずにパラメータの任意の部分集合に対する償却推論を可能にする新しい手法を提案する。 重力波観測による二元ブラックホール系のパラメータ推定法の適用性を示す。
  論文  参考訳（メタデータ） (2021-10-01T14:35:46Z)
• Probabilistic Inference of Simulation Parameters via Parallel Differentiable Simulation [34.30381620584878]
  実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。 ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。 我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
  論文  参考訳（メタデータ） (2021-09-18T03:05:44Z)
• 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。