論文の概要: Simulation-based parameter estimation via a combination of embedded normalizing flows and implied empirical probabilities under moment restrictions

• arxiv url: http://arxiv.org/abs/2607.25026v1
• Date: Mon, 27 Jul 2026 19:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.608158
• Title: Simulation-based parameter estimation via a combination of embedded normalizing flows and implied empirical probabilities under moment restrictions
• Title（参考訳）: 組込み正規化流れとモーメント制約下における経験的確率の組合せによるシミュレーションに基づくパラメータ推定
• Abstract要約: 本稿では,物理系の計算シミュレーションによって定義されるモデルに対するシミュレーションに基づくパラメータ推定フレームワークを提案する。 具体的には、エンド・ツー・エンドのパラメーター推定スキームの全体化を容易にする2つの密接に統合されたステップからなる推定フレームワークについて概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we present a simulation-based parameter estimation framework for a model defined by a computational simulation of a physical system. We specifically outline an estimation framework consisting of two closely-integrated steps that facilitate an overall end-to-end parameter estimation scheme. The first step involves utilizing an embedded normalizing flow which is used to transform the unknown complex distribution of the residual information into a simple base distribution corresponding to the transformed residual information. In the second step, an empirical-likelihood estimator, under moment restrictions, is utilized for imposing an indirect constrain on the base distribution, where such an instantiated task reasonably allows us to treat the transformed residual information as random variables arising from discretely distribution population with each transformed data point as a single-cell from a set of finite-cell contingencies. Moreover, we use first-order gradient methods for updating the estimated parameter values of the model defined by the computational simulation and the corresponding parametrized embedded normalizing flow, that call for all gradient-related information by leveraging implicitly differentiations of the empirical-likelihood function, which is constructed from the implied empirical probabilities under moment restrictions. Here, it is worth mentioning that the problem formulation presented in this work, which highlights an information-theoretic interpretation, allows to present a computational framework for algorithmic implementations. Finally, as a-by-product, the inverse of the parametrized embedded normalizing flow, w.r.t. the estimated parameter values, serves as a surrogate model for the computational simulation model, which provides useful information for quantifying model discrepancies and sensitivity analysis.
• Abstract（参考訳）: 本研究では,物理系の計算シミュレーションによって定義されるモデルに対するシミュレーションに基づくパラメータ推定フレームワークを提案する。 具体的には、エンド・ツー・エンドのパラメーター推定スキームの全体化を容易にする2つの密接に統合されたステップからなる推定フレームワークについて概説する。 最初のステップでは、残余情報の未知の複素分布を、変換された残余情報に対応する単純な基底分布に変換するために使用される埋め込み正規化フローを利用する。 第2のステップでは、モーメント制約の下で、経験的様相推定器を用いて、ベース分布に間接的な制約を課し、そのようなインスタンス化されたタスクにより、変換された残余情報を、各変換されたデータポイントを有限セルの集合から単一セルとして離散分布の集団から生じるランダム変数として、合理的に扱うことができる。 さらに,計算シミュレーションによって定義されたモデルのパラメータ値と,それに対応するパラメタライズされた埋め込み正規化フローのパラメータ値を更新する一階勾配法を用いて,モーメント制約下での経験的確率から構成した経験的様相関数の暗黙的微分を利用して,すべての勾配関連情報を求める。 ここでは、情報理論的な解釈を強調するこの研究で提示された問題定式化によって、アルゴリズムの実装のための計算フレームワークを提示できることに注意する必要がある。 最後に,パラメータ推定値のパラメタライズド埋込み正規化フローの逆は,計算シミュレーションモデルの代理モデルとして機能し,モデルの相違点と感度解析の定量化に有用な情報を提供する。

関連論文リスト

• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Profiling systematic uncertainties in Simulation-Based Inference with Factorizable Normalizing Flows [0.0]
  そこで本研究では,ニュアンスパラメータを効率的にプロファイリングするシミュレーションベース推論の汎用フレームワークを提案する。 本稿では,分類可能な正規化フローを導入し,体系的な変動を名目密度のパラメトリックとしてモデル化する。 我々は,単一最適化プロセスにおけるニュアンスパラメータに対するDoIの条件依存を学習する償却訓練戦略を開発する。 これにより、基礎となる分布の同時抽出とニュアンセの堅牢なプロファイリングが可能となる。
  論文  参考訳（メタデータ） (2026-02-13T18:48:12Z)
• Simulation-Based Inference via Regression Projection and Batched Discrepancies [1.9435397960631862]
  我々は,観測データの回帰に基づく投影のみを用いて,シミュレーションパラメータを推論する軽量なシミュレーションベース推論手法を解析した。 DREAMSシミュレーションスイートを用いたトラクタブル非線形モデルと宇宙キャリブレーションタスクの実験は、回帰ベースの射影の計算上の利点を示している。
  論文  参考訳（メタデータ） (2026-02-03T15:07:40Z)
• Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
  共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。 共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
  論文  参考訳（メタデータ） (2025-11-23T00:50:33Z)
• 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)
• Amortized In-Context Bayesian Posterior Estimation [15.714462115687096]
  償却は条件付き推定を通じて、そのような困難を和らげるための実行可能な戦略である。 本研究では,アモルト化インコンテクストベイズ推定手法の徹底的な比較分析を行う。 本稿では,予測問題に対する逆KL推定器の優位性,特に変圧器アーキテクチャと正規化フローを併用した場合に強調する。
  論文  参考訳（メタデータ） (2025-02-10T16:00:48Z)
• Probabilistic Shapley Value Modeling and Inference [4.025747321359554]
  Probability Shapley Inference (PSI) は、フレキシブルな予測モデルにおける特徴属性の十分な統計をモデル化し、推測する新しいフレームワークである。 我々は、モジュラートレーニングと推論手順を備えたマスキングベースのニューラルネットワークアーキテクチャを導入する。 合成および実世界のデータセット上でPSIを評価し,強いベースラインに比べて競争力のある予測性能が得られることを示した。
  論文  参考訳（メタデータ） (2024-02-06T18:09:05Z)
• Conditional Mean and Variance Estimation via \ extit{k}-NN Algorithm with Automated Variance Selection [9.943131787772323]
  条件平均と分散度を共同で推定するための新しいテクストリック・アレスト・ニアレスト回帰法(textitk-NN)を提案する。 提案アルゴリズムは,古典的非パラメトリックテクトitk-NNモデルの計算効率と多様体学習能力を保持する。
  論文  参考訳（メタデータ） (2024-02-02T18:54:18Z)
• Maximum Likelihood Learning of Unnormalized Models for Simulation-Based Inference [44.281860162298564]
  シミュレーションベース推論のための2つの合成確率法を提案する。 本研究では,シミュレータによって生成された合成データを用いて,条件付きエネルギーベースモデル(EBM)を学習する。 本研究は, カニの神経科学ネットワークのモデルに適用し, 各種合成データセット上での両手法の特性を実証する。
  論文  参考訳（メタデータ） (2022-10-26T14:38:24Z)
• 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)
• 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)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。