論文の概要: MA-SBI: Misspecification-Aware Simulation-Based Inference via Side-Channel Guidance

• arxiv url: http://arxiv.org/abs/2606.16923v1
• Date: Mon, 15 Jun 2026 16:26:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.766239
• Title: MA-SBI: Misspecification-Aware Simulation-Based Inference via Side-Channel Guidance
• Title（参考訳）: MA-SBI: サイドチャネル誘導によるミスセグメンテーション・アウェア・シミュレーションに基づく推論
• Authors: Arunkumar V, Manoranjan Gandhudi, Gangadharan G. R., Arun Prakash, S. Senthilkumar,
• Abstract要約: シミュレーションに基づく潜在パラメータの推測は、しばしばシミュレータの誤特定によって妨げられる。 堅牢なSBIのための最近の最先端技術であるRoPEは、実とシミュレートされた観測の学習された表現間の最適な輸送を通じてこの問題に対処している。 我々は,このサイドチャネルを後方修正に変換するキャリブレーションフリーフレームワークであるミスセグメンテーション・アウェア・シミュレーションベース推論(MA SBI)を提案する。
• 参考スコア（独自算出の注目度）: 1.8923689868452591
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulation-based inference (SBI) of latent parameters is often hindered by simulator misspecification, the mismatch between simulated and real-world observations caused by inherent modeling simplifications. RoPE, the recent state-of-the-art for robust SBI, addresses this through optimal transport between learned representations of real and simulated observations, but requires ground-truth parameter calibration pairs that are typically unavailable in the very settings where SBI is needed. What practitioners do have is unstructured side-information such as regime labels, instruction text, and policy bulletins. We propose Misspecification-Aware Simulation-Based Inference (MA-SBI), a calibration-free framework that turns this side-channel into a posterior correction. A learned corrector maps side-channel text to an observation-space shift applied before any pre-trained amortized posterior, requiring no retraining and no parameter ground-truth. Our main theorem bounds achievable bias reduction by the mutual information between misspecification and side-channel, with a non-vacuous constant that extends to all sub-Gaussian noise via Donsker-Varadhan. On hide-the-calibration benchmarks, MA-SBI with text alone matches the oracle posterior across 10 seeds and two backbones (TOST equivalence), while RoPE given more data does not. The two approaches are complementary: where misspecification is structural and recoverable from parameter pairs, RoPE dominates, as the theory predicts. A stochastic variant improves posterior-predictive log-likelihood on real COVID and OxCGRT epidemiological data, and correctly leaves the posterior unchanged on a well-specified cognitive-science corpus.
• Abstract（参考訳）: 潜伏パラメータのシミュレーションベース推論(SBI)は、しばしばシミュレータの誤特定によって妨げられ、シミュレーションと実世界の観察のミスマッチは、固有のモデリングの単純化によって引き起こされる。 最近の堅牢なSBIのための最先端技術であるRoPEは、実とシミュレートされた観測の学習された表現間の最適な輸送を通じてこの問題に対処するが、SBIが必要な設定では通常利用できない、地平線パラメータの校正ペアを必要とする。 実践者が持っているものは、レギュラーラベル、命令文、ポリシーの掲示板といった非構造化のサイドインフォメーションである。 我々は,このサイドチャネルを後方修正に変換するキャリブレーションフリーなフレームワークであるミスセグメンテーション・アウェア・シミュレーションベース推論(MA-SBI)を提案する。 学習された補正器は、事前訓練されたアモルト化後部で適用された観察空間シフトにサイドチャネルテキストをマッピングし、再トレーニングを必要とせず、パラメータのグラウンドトルースも不要である。 我々の主定理は、不特定性と側チャネル間の相互情報による達成可能なバイアス低減と、ドンスカー・バラダン(英語版)を経由するすべてのガウス下雑音に拡張する非空定数との境界である。 シーク・ザ・キャリブレーションのベンチマークでは、テキストのみのMA-SBIは、10の種と2つのバックボーン(TOST同値)でオラクルの後方と一致しているが、RoPEはより多くのデータを与えていない。 2つのアプローチは相補的であり、不特定がパラメータ対から構造的かつ回復可能な場合、RoPEは理論が予測するように支配する。 確率的変異は、実際のCOVIDおよびOxCGRT疫学的データにおける後部予測的対数様態を改善し、後部を適切に特定された認知科学コーパスに正しく変更する。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Flow Matching for Robust Simulation-Based Inference under Model Misspecification [11.172752919335394]
  Flow Matching Corrected Posterior Estimation(フローマッチング補正後推定)は、シミュレーションによって訓練された後部推定を、少数の実校正サンプルを用いて洗練するフレームワークである。 提案手法は,従来のSBIベースラインと比較して,推論精度と不確実性を向上し,不特定性の影響を常に緩和することを示す。
  論文  参考訳（メタデータ） (2025-09-27T16:10:53Z)
• Addressing Misspecification in Simulation-based Inference through Data-driven Calibration [43.811367860375825]
  本研究は, モデル不特定性を克服するフレームワークであるロPEを導入し, 実世界の小キャリブレーションによる地下構造パラメータの測定を行った。 4つの合成課題と2つの実世界の問題により、RoPEはベースラインを上回り、情報的およびキャリブレーションされた信頼区間を一貫して返却することを示した。
  論文  参考訳（メタデータ） (2024-05-14T16:04:39Z)
• Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal Approach [51.012396632595554]
  不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。 最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。 本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
  論文  参考訳（メタデータ） (2023-12-15T12:58:05Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)

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。