論文の概要: Amortized Factor Inference Networks for Posterior Inference

• arxiv url: http://arxiv.org/abs/2605.26419v1
• Date: Tue, 26 May 2026 01:15:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.518539
• Title: Amortized Factor Inference Networks for Posterior Inference
• Title（参考訳）: 後部推論のための補正因子推論ネットワーク
• Authors: Joohwan Ko, Justin Domke,
• Abstract要約: Amortized Inferenceは、高速なテストタイムベイズ推論を約束する。 既存の方法は本質的に固定モデルに結びついている。 本稿では,エンコード・マージ・デコード推論ネットワークのファミリーであるAmortized Factor Inference Networks (AFINs)を紹介する。
• 参考スコア（独自算出の注目度）: 15.20207905147315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Amortized inference promises fast test-time Bayesian inference, but existing methods are inherently tied to fixed models. Extending amortization to unseen models typically requires retraining or costly test-time finetuning. In this paper, we ask: is it possible to build a single inference network capable of generalizing across varying priors, likelihoods, and dimensionality? We introduce Amortized Factor Inference Networks (AFINs), a family of encode-merge-decode inference networks built on dimension-independent modules that map a model specification and its observations to the parameters of a variational posterior. Experimentally, a single trained AFIN achieves posterior accuracy comparable to NUTS and several variational inference methods, while requiring 2 to 4 orders of magnitude less test-time compute. Code is available at https://github.com/joohwanko/AFINs.
• Abstract（参考訳）: 償却推論は高速な試験時間ベイズ推論を約束するが、既存の手法は本質的に固定モデルに結びついている。 予期せぬモデルに償却を拡張するには、通常、再訓練やテスト時間による微調整が必要となる。 本稿では, 様々な先行性, 可能性, 次元性にまたがる一般化が可能な単一推論ネットワークを構築することは可能か? Amortized Factor Inference Networks (AFINs) は、モデル仕様とその観測を変動後部のパラメータにマッピングする次元非依存モジュール上に構築されたエンコード・マージ・デコード推論ネットワークのファミリーである。 実験的に、1つの訓練されたAFINは、NUTSといくつかの変分推論手法に匹敵する後方精度を達成し、2～4桁のテスト時間計算を必要とする。 コードはhttps://github.com/joohwanko/AFINsで入手できる。

関連論文リスト

• A Bayesian Generative Modeling Approach for Arbitrary Conditional Inference [4.4876925770439415]
  本稿では,任意の条件推論のためのベイズ生成モデル (BGM) を提案する。 BGMは、モデルパラメータと潜伏変数が収束するまで更新される反復ベイズ更新アルゴリズムを通してXの生成モデルを学ぶ。 経験的に、BGMはよく校正された予測間隔で優れた予測性能を達成する。
  論文  参考訳（メタデータ） (2026-01-08T20:14:30Z)
• Diffusion models for probabilistic programming [56.47577824219207]
  拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
  論文  参考訳（メタデータ） (2023-11-01T12:17:05Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Evidence Networks: simple losses for fast, amortized, neural Bayesian model comparison [0.0]
  Evidence Networksは、最先端のメソッドがフェールした場合にベイズモデルの比較を可能にする。 リークパリティオード電力変換を導入し、新しいl-POP-Exponential'損失関数を導出する。 Evidence Networks はパラメータ空間の次元性に明示的に依存しており、後続確率密度関数の複雑さと軽度にスケール可能であることを示す。
  論文  参考訳（メタデータ） (2023-05-18T18:14:53Z)
• Diffusion models as plug-and-play priors [98.16404662526101]
  我々は、事前の$p(mathbfx)$と補助的な制約である$c(mathbfx,mathbfy)$からなるモデルにおいて、高次元データ$mathbfx$を推論する問題を考える。 拡散モデルの構造は,異なるノイズ量に富んだ定性デノナイジングネットワークを通じて,微分を反復することで近似推論を行うことができる。
  論文  参考訳（メタデータ） (2022-06-17T21:11:36Z)
• Latent Time Neural Ordinary Differential Equations [0.2538209532048866]
  本研究では,NODE における不確実性をモデル化するための新しい手法を提案する。 また、各データポイントが終末時間に異なる後続分布を持つことができる適応遅延時間NODE(ALT-NODE)を提案する。 本研究では,合成画像と実世界の画像分類データを用いた実験により,不確実性とロバスト性をモデル化する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-12-23T17:31:47Z)
• Reducing the Amortization Gap in Variational Autoencoders: A Bayesian Random Function Approach [38.45568741734893]
  GPモデルの推論は、セミアモタイズ法よりもはるかに高速な1つのフィードフォワードパスによって行われる。 提案手法は,複数のベンチマークデータセットの最先端データよりも高い確率でテストデータが得られることを示す。
  論文  参考訳（メタデータ） (2021-02-05T13:01:12Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。