論文の概要: GenSBI: Generative Methods for Simulation-Based Inference in JAX
- arxiv url: http://arxiv.org/abs/2605.27499v1
- Date: Tue, 26 May 2026 17:59:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.382058
- Title: GenSBI: Generative Methods for Simulation-Based Inference in JAX
- Title（参考訳）: GenSBI:JAXにおけるシミュレーションベースの推論のための生成方法
- Authors: Aurelio Amerio,
- Abstract要約: 流れと拡散生成モデルは、シミュレーションに基づく推論のための広く採用されている密度推定器として確立されている。
最も広く使われているSBIライブラリはPyTorchベースであり、ネイティブオプションなしでJAXでフォワードモデルと分析パイプラインを開発する研究者を残している。
我々は、完全にJAXで拡散するフローマッチング、スコアマッチング、およびデノベーションを実装したオープンソースのライブラリGen SBIを紹介します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow and diffusion generative models have established themselves as widely adopted density estimators for simulation-based inference (SBI), extending naturally from neural posterior estimation to likelihood and joint density estimation. Their principled optimization objectives and freedom from architectural constraints have driven rapid adoption across the natural sciences. Yet the most widely used SBI libraries remain PyTorch-based, leaving researchers who develop their forward models and analysis pipelines in JAX without a native option. We present GenSBI, an open-source library that implements flow matching, score matching, and denoising diffusion entirely in JAX. The library offers three transformer-based architectures - SimFormer, Flux1, and a novel Flux1Joint that extends gate-modulated transformer blocks to joint density estimation - all interchangeable through a unified interface that decouples generative method, neural backbone, and inference mode. GenSBI provides an end-to-end workflow from training through posterior calibration (SBC, TARP, LC2ST) and supports custom architectures with domain-specific embedding networks. We validate the framework on standard SBI benchmarks, achieving near-ideal mean C2ST scores (0.50-0.56, where 0.50 is ideal) on SBIBM tasks with minimal per-task tuning and well-calibrated posterior coverage across all tested configurations. The code is publicly available at https://github.com/aurelio-amerio/GenSBI.
- Abstract（参考訳）: 流れと拡散生成モデルは、シミュレーションベース推論(SBI)のための広く採用されている密度推定器として確立され、神経後部推定から可能性と関節密度推定まで自然に拡張されている。
彼らの原則化された最適化の目的とアーキテクチャ上の制約からの自由は、自然科学全体にわたって急速に採用されている。
しかし、最も広く使われているSBIライブラリは、PyTorchベースのままであり、前進モデルと分析パイプラインをJAXでネイティブオプションなしで開発する研究者を残している。
我々は、JAXで完全に拡散するフローマッチング、スコアマッチング、およびdenoisingfusionを実装したオープンソースのライブラリGenSBIを紹介します。
SimFormer、Flux1、新しいFlux1Jointという3つのトランスフォーマーベースのアーキテクチャを提供しており、ゲート変調されたトランスフォーマーブロックを関節密度推定に拡張している。
GenSBIは、後方校正(SBC、TARP、LC2ST)によるトレーニングからエンドツーエンドのワークフローを提供し、ドメイン固有の埋め込みネットワークを備えたカスタムアーキテクチャをサポートする。
このフレームワークを標準のSBIベンチマークで検証し,SBIBMタスクにおけるC2STスコア(0.50-0.56,0.50は理想的)を全テスト構成で最小限のタスクで達成する。
コードはhttps://github.com/aurelio-amerio/GenSBIで公開されている。
関連論文リスト
- Towards Large Model Feature Coding [90.89390892560094]
大規模モデル特徴符号化(LaMoFC)のためのベンチマークおよび評価フレームワークを提案する。
まず、機能データセットLaMoFCBenchを構築し、4つのカテゴリと16のシナリオで多様なタスク要件をカバーしました。
次に、実際の応用シナリオに従って代表分割点を指定し、中間的特徴を抽出する。
論文 参考訳（メタデータ） (2026-05-20T13:39:48Z) - CP4SBI: Local Conformal Calibration of Credible Sets in Simulation-Based Inference [1.8840155706520811]
本研究では,局所ベイズカバレッジを持つ信頼可能な集合を構成するモデルに依存しない共形キャリブレーションフレームワークを開発する。
我々の提案した2つの変種、すなわち回帰木による局所校正とCDFに基づく校正により、任意のスコアリング関数に対して有限サンプルの局所カバレッジを保証する。
論文 参考訳（メタデータ） (2025-08-23T16:13:10Z) - 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) - Effortless, Simulation-Efficient Bayesian Inference using Tabular Foundation Models [14.125143586947177]
本研究では,TabPFNをSBIの自己回帰条件密度推定器として用いる方法を示す。
NPE-PFNは、推論ネットワークの選択、トレーニング、ハイパーパラメータチューニングの必要性を排除する。
モデルミス特定に優れたロバスト性を示し、TabPFNのコンテキストサイズ限界を超えるシミュレーション予算にスケールできる。
論文 参考訳（メタデータ） (2025-04-24T15:29:39Z) - sbi reloaded: a toolkit for simulation-based inference workflows [15.696312591547283]
我々は、ニューラルネットワークに基づくベイズSBIアルゴリズムを実装したPyTorchベースのパッケージであるsbiを開発し、保守し、拡張した。
sbiツールキットは、科学者やエンジニアが最先端のSBIメソッドをブラックボックスシミュレータに適用することを可能にする。
論文 参考訳（メタデータ） (2024-11-26T11:31:47Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。
提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。
実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2021-07-15T16:46:01Z) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳（メタデータ） (2020-05-22T23:07:42Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。