Fugu-MT 論文翻訳(概要): An Introduction to Bayesian and Frequentist Simulation-Based Inference with Machine Learning

論文の概要: An Introduction to Bayesian and Frequentist Simulation-Based Inference with Machine Learning

arxiv url: http://arxiv.org/abs/2607.21702v1
Date: Thu, 23 Jul 2026 18:00:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 20:58:56.962512
Title: An Introduction to Bayesian and Frequentist Simulation-Based Inference with Machine Learning
Title（参考訳）: 機械学習を用いたベイズと周波数のシミュレーションに基づく推論入門
Abstract要約: 本稿では,ベイズ的・頻繁な統計フレームワークの概要を述べるとともに,機械学習に基づくSBI手法をパラメータ推定に利用し,経験的ベイズや展開タスクにも適用可能であることを示す。また、推論結果の検証方法や機械学習によるSBIの限界についても論じる。
参考スコア（独自算出の注目度）: 6.205854565677729
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Simulation-based inference (SBI) with machine learning is an increasingly important tool for solving inverse problems in science and engineering, including parameter inference and the inversion of detector effects. We provide an overview of the Bayesian and frequentist statistical frameworks, describe how machine-learning-based SBI methods, such as neural posterior estimation and neural likelihood estimation, can be used for parameter estimation within these frameworks, and show that the same methods can also be applied to Empirical Bayes or unfolding tasks. We also discuss how to validate inference results and the limitations of SBI with machine learning.
Abstract（参考訳）: 機械学習を用いたシミュレーションベース推論(SBI)は、パラメータ推論や検出器効果の反転を含む科学と工学における逆問題を解決するための、ますます重要なツールである。本稿では、ベイズ的・頻繁な統計フレームワークの概要を述べるとともに、これらのフレームワーク内でのパラメータ推定に、ニューラル後推定やニューラル推定といった機械学習に基づくSBI手法をどのように使用できるかを説明し、経験的ベイズや展開タスクにも、同じ手法が適用可能であることを示す。また、推論結果の検証方法や機械学習によるSBIの限界についても論じる。

関連論文リスト

Simulation-Based Inference: A Practical Guide [14.664936126064399]
シミュレーションに基づく推論は、粒子物理学、天体物理学、神経科学などの分野における科学的発見を可能にした。構造化されたSBIワークフローを概説し、プロセスの各段階で実践的なガイドラインと診断ツールを提供する。このチュートリアルは、研究者に最先端のSBI手法を適用し、科学的発見のための効率的なパラメータ推論を容易にする。
論文参考訳（メタデータ） (2025-08-18T14:09:33Z)
Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
論文参考訳（メタデータ） (2025-02-17T18:04:39Z)
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)
Causal Inference Tools for a Better Evaluation of Machine Learning [0.0]
本稿では、通常最小方形回帰(OLS)、可変解析(ANOVA)、ロジスティック回帰(ロジスティック回帰)などの重要な統計手法を紹介する。この文書は研究者や実践者のガイドとして機能し、これらのテクニックがモデル行動、パフォーマンス、公平性に対する深い洞察を提供する方法について詳述している。
論文参考訳（メタデータ） (2024-10-02T10:03:29Z)
Matched Machine Learning: A Generalized Framework for Treatment Effect Inference With Learned Metrics [87.05961347040237]
我々は、機械学習ブラックボックスの柔軟性とマッチングの解釈可能性を組み合わせたフレームワークであるMatched Machine Learningを紹介する。我々のフレームワークは機械学習を用いて、一致した単位を学習し、結果を推定する最適な指標を学習する。一致機械学習のインスタンスはブラックボックスの機械学習手法と同等に動作し、類似した問題に対する既存のマッチング手法よりも優れていることを実証的に示す。
論文参考訳（メタデータ） (2023-04-03T19:32:30Z)
Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文参考訳（メタデータ） (2023-01-23T18:59:28Z)
Efficient identification of informative features in simulation-based inference [5.538076164981993]
訓練後, 後部を推測し, 特徴の寄与度を評価する前に, 訓練後のサロゲート確率を極端に評価できることが示唆された。本稿では,HHニューロンモデルのパラメータを推定する上で最も重要な特徴を同定し,本手法の有用性を示す。
論文参考訳（メタデータ） (2022-10-21T12:35:46Z)
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)
A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文参考訳（メタデータ） (2020-11-17T22:24:26Z)
Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文参考訳（メタデータ） (2020-08-14T16:48:29Z)
SBI -- A toolkit for simulation-based inference [0.0]
シミュレーションベースの推論 (SBI) は、a) が先行知識と互換性があり、b) が経験的観察と一致するパラメータ集合を識別しようとする。ニューラルネットワークに基づく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textttsbi$を提示する。
論文参考訳（メタデータ） (2020-07-17T16:53:51Z)

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。