論文の概要: Program Synthesis for Simulation-Based Inference: Joint Model Selection and Parameter Estimation

• arxiv url: http://arxiv.org/abs/2607.17540v1
• Date: Mon, 20 Jul 2026 04:33:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.498582
• Title: Program Synthesis for Simulation-Based Inference: Joint Model Selection and Parameter Estimation
• Title（参考訳）: シミュレーションに基づく推論のためのプログラム合成:共同モデル選択とパラメータ推定
• Authors: Siddharth Mishra-Sharma,
• Abstract要約: 本稿では,プログラム合成のための大規模言語モデルとニューラルシミュレーションに基づく推論を組み合わせた,共同モデル選択とパラメータ推定のためのフレームワークを提案する。 このアプローチは、固定モデル内のパラメータだけでなく、モデルのプール上でシミュレーションベースの推論を可能にする。
• 参考スコア（独自算出の注目度）: 0.038073142980733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural simulation-based inference enables parameter estimation for complex models, but typically requires the user to specify a simulator encoding a fixed model structure. We present a framework for joint model selection and parameter estimation that combines large language models for program synthesis with neural simulation-based inference. Given a natural language description of the system and data under investigation, an LLM proposes candidate simulator programs which are iteratively refined via feedback-driven mutation and evaluated using neural density estimation. The approach enables simulation-based inference over a pool of models, not just parameters within a fixed model. On benchmarks spanning deterministic dynamics, stochastic epidemic models, and dark matter substructure inference from gravitational-lensing images, the method identifies plausible model families from open-ended prompts, with accuracy that reflects the information content of the data and identifiability of candidate models.
• Abstract（参考訳）: ニューラルネットワークに基づく推論は複雑なモデルのパラメータ推定を可能にするが、通常、ユーザーは固定モデル構造を符号化するシミュレータを指定する必要がある。 本稿では,プログラム合成のための大規模言語モデルとニューラルシミュレーションに基づく推論を組み合わせた,共同モデル選択とパラメータ推定のためのフレームワークを提案する。 システムと調査中のデータを自然言語で記述した上で、LLMはフィードバック駆動型突然変異によって反復的に洗練され、神経密度推定を用いて評価される候補シミュレータプログラムを提案する。 このアプローチは、固定モデル内のパラメータだけでなく、モデルのプール上でシミュレーションベースの推論を可能にする。 重力レンズ画像から決定論的ダイナミックス、確率論的流行モデル、ダークマターサブストラクチャ推論を対象とするベンチマークにおいて、提案手法は、データの情報内容と候補モデルの識別可能性を反映した精度で、オープンドプロンプトから可塑性モデルファミリを同定する。

関連論文リスト

• Quantifying and Attributing Submodel Uncertainty in Stochastic Simulation Models and Digital Twins [0.1234398109349733]
  本稿では,サブモデルの不確実性がシステム性能指標の推定に与える影響について検討する。 本研究では,シミュレーションモデルにおけるサブモデル不確実性を定量化するためのフレームワークを開発し,そのフレームワークをデジタルツイン設定に拡張する。
  論文  参考訳（メタデータ） (2026-02-18T00:06:39Z)
• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• All-in-one simulation-based inference [19.41881319338419]
  我々は、現在の制限を克服する新しい償却推論手法、Simformerを提案する。 Simformerは、ベンチマークタスクにおける現在の最先端の償却推論アプローチより優れています。 関数値パラメータを持つモデルに適用することができ、欠落または非構造化データによる推論シナリオを処理でき、パラメータとデータの合同分布の任意の条件をサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-04-15T10:12:33Z)
• 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)
• Simultaneous identification of models and parameters of scientific simulators [7.473394133229206]
  本研究は,本質的なモデルコンポーネントを特定するためのシミュレーションベースの推論フレームワークを開発する。 いかなる構成シミュレータにも、評価を必要とせずに適用することができる。 非識別のモデルコンポーネントとパラメータを明らかにします。
  論文  参考訳（メタデータ） (2023-05-24T14:06:02Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• 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)

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。