論文の概要: Scalable Diffusion SBI for Compositional Inference under Simulator Misspecification

• arxiv url: http://arxiv.org/abs/2609.36950v1
• Date: Tue, 29 Sep 2026 07:55:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.297126
• Title: Scalable Diffusion SBI for Compositional Inference under Simulator Misspecification
• Title（参考訳）: シミュレーションミス種別による合成推論のためのスケーラブル拡散SBI
• Abstract要約: 設計条件設定における拡散に基づく推論のためのサンプリング法と微調整法を開発した。 HBDS(Hierarchical Blockwise Diffusion Sampling)を導入し,1つの事前学習モデルを用いて,共有パラメータとグループ固有の潜在状態を推定する。 誤特定に対処するために、我々は学習した確率を観測に適応させ、修正を後部推論に転送するパス規則化された微調整を導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based inference is challenging when many heterogeneous observations must be composed, hierarchical latent structure must be preserved, and the simulator is misspecified relative to observed data. We develop sampling and fine-tuning methods for diffusion-based inference in design-conditional settings, where the same simulator is queried across different experimental conditions $ξ$. We extend compositional score-based inference with a continuous-time diffusion coefficient that accounts for the number of observations, avoiding Jacobian and auxiliary-covariance corrections. We introduce Hierarchical Blockwise Diffusion Sampling (HBDS), which infers shared parameters and group-specific latent states using a single pretrained model, with the hierarchy specified only at sampling time. Together, these methods support variable observation sets and groupings without retraining. To address misspecification, we introduce path-regularized fine-tuning that adapts the learned likelihood to observations and transfers corrections to posterior inference. Using Girsanov's theorem, we quantify path divergence between pretrained and fine-tuned models across experimental designs and interpret it alongside predictive errors to distinguish candidate misspecification correction from unnecessary adaptation. We evaluate compositional sampling on exact-score Gaussian and Simple Likelihood, Complex Posterior benchmarks, HBDS with analytic and learned scores on a controlled hierarchical model, and fine-tuning and localization on a separate analytic model with known design-dependent discrepancy. Finally, we apply the framework to 940 measurements across four cell lines in a mechanistic Bone Morphogenetic Protein signaling model, where fine-tuning improves posterior-predictive accuracy relative to the pretrained model and shifts posterior marginals toward the least-squares reference while retaining spread.
• Abstract（参考訳）: シミュレーションに基づく推論は、多くの異種観測を構成しなければならない場合には困難であり、階層的な潜在構造を保存し、シミュレータは観測データに対して誤特定される。 設計条件設定における拡散型推論のためのサンプリングおよび微調整手法を開発し、同じシミュレータを異なる実験条件で$$$$でクエリする。 コンポジションスコアに基づく推論を,観測回数を考慮した連続時間拡散係数で拡張し,ジャコビアンおよび補助共分散補正を回避する。 階層的ブロックワイド拡散サンプリング(Hierarchical Blockwise Diffusion Sampling, HBDS)を導入し、単一の事前学習モデルを用いて共有パラメータとグループ固有の潜在状態を推定し、サンプリング時にのみ階層を指定する。 これらの手法は、再訓練せずに可変観測セットとグループ化をサポートする。 誤特定に対処するために、我々は学習した確率を観測に適応させ、修正を後部推論に転送するパス規則化された微調整を導入する。 Girsanovの定理を用いて、実験設計における事前訓練されたモデルと微調整されたモデルの間の経路のばらつきを定量化し、予測誤差と共に解釈し、候補の不特定補正を不必要な適応と区別する。 我々は,厳密なガウスと単純な類似度,複雑なポストリアベンチマーク,制御された階層モデルを用いた分析および学習スコアを用いたHBDS,および既知の設計依存の相違点を持つ別モデルによる微調整と局所化について,構成的サンプリングを評価した。 最後に, 骨形態形成タンパク質シグナリングモデルを用いて, 4つの細胞株にわたる940個の測定にフレームワークを適用し, 微調整により, 予め訓練したモデルと比較して後方予測精度が向上し, スプレッドを保ちながら後縁を最小二乗基準にシフトする。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• From Scores to Gibbs Correctors: Accelerating Uniform-Rate Discrete Diffusion Models [58.02657021435213]
  我々は、Gibs-Accelerated Discrete Diffusion (GADD)と呼ばれる離散拡散モデルのための新しいGibsベースの修正器を提案する。 我々はGADDが$mathcalO(mathrmpolylog (varepsilon-1)$の総合的なサンプリング複雑性を達成し、均一レートの離散拡散モデルに対する拡散に基づくサンプリング者にとって最初のレートとなることを示す。
  論文  参考訳（メタデータ） (2026-05-26T17:52:28Z)
• Causality-Encoded Diffusion Models for Interventional Sampling and Edge Inference [12.531769483039405]
  本稿では,有向非巡回グラフを組み込んだ因果符号化拡散フレームワークを提案する。 得られたサンプリング器は、観測分布をほぼ復元し、介入サンプリングを可能にする。 フローデータへの適用は,提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2026-04-23T16:32:49Z)
• Learnable Chernoff Baselines for Inference-Time Alignment [64.81256817158851]
  本稿では,指数関数的に傾いたカーネルから効率よく,およそサンプリングする方法として,Learnerable Chernoff Baselinesを紹介した。 理想的なモデルに対する全変量保証を確立し、LCBサンプリングが理想的拒絶サンプリングと密接に一致するような連続的および離散的な拡散設定を実証する。
  論文  参考訳（メタデータ） (2026-02-08T00:09:40Z)
• 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)
• Variance-Reduced Diffusion Sampling via Target Score Identity [0.0]
  クリーンな(ターゲット)スコアが利用可能か,あるいは近似可能な設定において,スコア推定と拡散に基づくサンプリングの分散化について検討した。 我々は、標準の逆時間解法と互換性のあるプラグアンドプレイ非パラメトリックな自己正規化重要度サンプリング推定器を開発した。 PDE-Governed Inverse問題と合成ターゲット実験により, 固定シミュレーション予算に対する試料品質の改善が示された。
  論文  参考訳（メタデータ） (2026-01-04T16:46:31Z)
• 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)
• Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
  連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。 本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。 我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
  論文  参考訳（メタデータ） (2024-10-03T09:07:13Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• Compositional Score Modeling for Simulation-based Inference [28.422049267537965]
  両手法の利点を享受する条件付きスコアモデリングに基づく新しい手法を提案する。 提案手法は, サンプル効率が高く, 自然に複数の観測を推定時に集約し, 標準推定手法の欠点を回避することができる。
  論文  参考訳（メタデータ） (2022-09-28T17:08:31Z)

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。