論文の概要: Truncated Neural Likelihood Estimation for Simulation-Based Inference in State-Space Models

• arxiv url: http://arxiv.org/abs/2605.21805v1
• Date: Wed, 20 May 2026 23:01:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.022088
• Title: Truncated Neural Likelihood Estimation for Simulation-Based Inference in State-Space Models
• Title（参考訳）: 状態空間モデルにおけるシミュレーションに基づく推論のためのTrncated Neural Likelihood Estimation
• Authors: Kostas Tsampourakis, Víctor Elvira,
• Abstract要約: 状態空間モデル(SSM)の推論は、可能性の抽出性のために非常に難しい問題である。 本稿では,SNL の限界に対処する truncated-SNL (T-SNL) という新しい推論アルゴリズムを提案する。 私たちのアルゴリズムは、トレーニング中により正確で、より安定し、堅牢で、よりスケーラブルで、より長い時間的シーケンスを持ち、新しい観測が利用可能になった時に記憶できる。
• 参考スコア（独自算出の注目度）: 17.242505266588097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-space models (SSMs) are powerful probabilistic tools for modeling time-varying systems with latent dynamics. Inference in SSMs involves the estimation of latent states and parameters. In this work, we focus on parameter inference, which for SSMs is in general a very challenging problem due to the intractability of the likelihood. Recently, neural estimation methods, such as sequential neural likelihood (SNL), have shown promising results in Bayesian inference problems. In this paper, we show that SNL, when applied to the SSM setting, suffers important limitations, such as requiring a large amount of simulated samples to achieve a moderate performance, scaling poorly with sequence length, while not being amortized. We then introduce a novel inference algorithm called truncated-SNL (T-SNL), which addresses the limitations of SNL. Our algorithm is more accurate, more stable and robust during training, more scalable to longer temporal sequences, and can be amortized when new observations become available. Our experiments show that T-SNL is sample-efficient, robust, and flexible algorithm which outperforms other approaches.
• Abstract（参考訳）: 状態空間モデル(SSM)は、潜在力学を持つ時間変化系をモデル化するための強力な確率的ツールである。 SSMにおける推論は、潜在状態とパラメータを推定する。 本研究では,SSMのパラメータ推定に焦点をあてる。これは一般に,その可能性の難易度から非常に難しい問題である。 近年, 逐次的ニューラルチャンス (SNL) などのニューラル推定法はベイズ推定問題において有望な結果を示している。 本稿では,SNLがSSM設定に適用された場合,シミュレーションサンプルを多量に必要とせず,適度な性能を達成できたり,シーケンス長のスケーリングが不十分であったり,償却を行なわなかったりといった,重要な制約が課されることを示す。 次に,SNL の限界に対処する truncated-SNL (T-SNL) という新しい推論アルゴリズムを提案する。 私たちのアルゴリズムは、トレーニング中により正確で、より安定し、堅牢で、よりスケーラブルで、より長い時間的シーケンスを持ち、新しい観測が利用可能になった時に記憶できる。 実験の結果、T-SNLはサンプル効率が高く、頑健で柔軟なアルゴリズムであり、他の手法よりも優れていることがわかった。

関連論文リスト

• GTS: Inference-Time Scaling of Latent Reasoning with a Learnable Gaussian Thought Sampler [54.10960908347221]
  我々は、学習可能な密度から条件付きサンプリングとして潜在思考探索をモデル化し、このアイデアをガウス思想サンプリング(GTS)としてインスタンス化する。 GTSは、連続的推論状態における文脈依存摂動分布を予測し、バックボーンを凍結させながらGRPOスタイルのポリシー最適化を訓練する。
  論文  参考訳（メタデータ） (2026-02-15T09:57:47Z)
• SMR: State Memory Replay for Long Sequence Modeling [19.755738298836526]
  本稿では並列畳み込み計算における互換性の限界を克服する新しい非再帰的非一様サンプル処理戦略を提案する。 本研究では,学習可能な記憶を利用する状態記憶再生(SMR)を導入し,学習データと異なるサンプリングポイントでの一般化のために,現在の状態を多段階情報で調整する。 自己回帰言語モデリングとLong Range Arenaにおける長距離モデリングタスクの実験は、一連のSSMモデルに対するSMRメカニズムの一般的な効果を実証している。
  論文  参考訳（メタデータ） (2024-05-27T17:53:32Z)
• Simulation-based Inference for High-dimensional Data using Surjective Sequential Neural Likelihood Estimation [45.9982965995401]
  我々はSBI(Surjective Sequential Neural Likelihood Estimation)という,シミュレーションベース推論(SBI)手法のファミリーにおける新しいメンバーを提案する。 SSNL は次元共振型正規化フローモデルに適合し、マルコフ連鎖モンテカルロあるいは変分ベイズ法による計算推論を可能にする代理可能性関数として利用する。 SSNLは、天体物理学と神経科学の文献から得られた2つの挑戦的な実例を含む、多種多様な実験で評価し、その成果が、最先端の手法に匹敵するか、同等であることを示す。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• Misspecification-robust Sequential Neural Likelihood for Simulation-based Inference [0.20971479389679337]
  本稿では,追加の調整パラメータを組み込んだSNL法を提案する。 いくつかの例を通して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-01-31T02:28:18Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
  本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。 本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。 本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-11-09T02:51:17Z)

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。