Fugu-MT 論文翻訳(概要): Benchmark of Likelihood-Free Inference Methods based on Neural and Optimal Transport Approaches

論文の概要: Benchmark of Likelihood-Free Inference Methods based on Neural and Optimal Transport Approaches

arxiv url: http://arxiv.org/abs/2605.30516v1
Date: Thu, 28 May 2026 19:53:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.203442
Title: Benchmark of Likelihood-Free Inference Methods based on Neural and Optimal Transport Approaches
Title（参考訳）: ニューラルおよび最適輸送アプローチに基づく同種フリー推論手法のベンチマーク
Authors: Samira Aka, Marie Kratz, Philippe Naveau,
Abstract要約: 確率自由推論法の性能は,重みや離散性などの構造的特徴にどのように依存するかを検討する。 MLE,NBE,EOT,AW-NBEの4つのアプローチを検討し,シミュレーションによる評価を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Simulation-based inference (SBI) has become an increasingly important framework for parameter estimation in models for which simulation is feasible, including cases where likelihood evaluation is unavailable or costly. While recent work has introduced benchmark frameworks to compare likelihood-free methods, these studies often do not account for structural features such as heavy-tails or discreteness. In this article, we investigate how the performance of likelihood-free inference methods depends on these structural properties. We consider four approaches: MLE, NBE, EOT and AW--NBE and evaluate them using simulations. This study highlights the importance of carefully selecting evaluation tools in the presence of extremes and discrete data.
Abstract（参考訳）: シミュレーションベース推論(SBI)は,シミュレーションが実現可能なモデルにおけるパラメータ推定のフレームワークとしてますます重要になっている。最近の研究は、可能性のない手法を比較するためのベンチマークフレームワークを導入しているが、これらの研究は重みや離散性のような構造的特徴を考慮しないことが多い。本稿では, 確率自由推論法の性能が, これらの構造特性にどのように依存するかを検討する。 MLE,NBE,EOT,AW-NBEの4つのアプローチを検討し,シミュレーションによる評価を行った。本研究は,極端データと離散データの存在下で評価ツールを慎重に選択することの重要性を強調した。

関連論文リスト

A unifying view of contrastive learning, importance sampling, and bridge sampling for energy-based models [1.9459606412374646]
ノイズコントラスト推定(NCE)、逆ロジスティック回帰(RLR)、多重重要サンプリング(MIS)、橋梁サンプリングを接続する統合フレームワークを提供する。この統合された視点は、既存の手法間の関係を明確にし、新しい推定器の開発を可能にする。本研究は、その柔軟性と堅牢性の観点からNCEの成功を解明し、その性能をさらに改善できるシナリオを特定するのに役立つ。
論文参考訳（メタデータ） (2026-04-09T11:36:04Z)
Rethinking BPS: A Utility-Based Evaluation Framework [6.590869939300887]
BPSモデルを評価するための最先端のアプローチには2つの重要な制限がある。シミュレーションを予測問題として扱い、モデルが目に見えない未来の事象を予測できるかどうかをテストする。代表的なプロセスの振る舞いを生成する能力に基づいて,シミュレーション品質を評価する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-05-28T13:00:52Z)
Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文参考訳（メタデータ） (2025-02-11T19:24:09Z)
Testing Generalizability in Causal Inference [3.547529079746247]
機械学習アルゴリズムの一般化性を統計的に評価するための公式な手続きは存在しない。本研究では,高次元因果推論モデルの一般化可能性を統計的に評価するための体系的枠組みを提案する。
論文参考訳（メタデータ） (2024-11-05T11:44:00Z)
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)
MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文参考訳（メタデータ） (2022-05-31T04:57:06Z)
Black-box Bayesian inference for economic agent-based models [0.0]
2種類のブラックボックス近似ベイズ推定法の有効性について検討した。ニューラルネットワークに基づくブラックボックス法は, 経済シミュレーションモデルに対して, アートパラメータ推論の状態を提示する。
論文参考訳（メタデータ） (2022-02-01T18:16:12Z)
Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文参考訳（メタデータ） (2021-11-15T03:16:56Z)
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)
SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
論文参考訳（メタデータ） (2020-06-12T10:40:46Z)
Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文参考訳（メタデータ） (2020-04-22T15:15:46Z)

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。