論文の概要: High-Dimensional Simulation-Based Inference in Latent Spaces

• arxiv url: http://arxiv.org/abs/2609.37381v1
• Date: Tue, 29 Sep 2026 12:32:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.488015
• Title: High-Dimensional Simulation-Based Inference in Latent Spaces
• Title（参考訳）: 潜時空間における高次元シミュレーションに基づく推論
• Abstract要約: ニューラルネットワークに基づく推論(SBI)は、潜在的に高次元の観測から比較的少数の解釈可能なパラメータを推測することに成功した。 しかし近年、SBIはますます高次元のパラメータ空間をターゲットにし始めており、推論対象自体を圧縮すべきかどうかという相補的な疑問が提起されている。 遅延空間推論は、最大1桁以上の高速なサンプリングを行いながら、直接目標空間推論に匹敵する精度が得られることを示す。
• 参考スコア（独自算出の注目度）: 5.027503072969048
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural simulation-based inference (SBI) has been widely successful in inferring a relatively small number of interpretable parameters from potentially high-dimensional observations, such as images or time series. Accordingly, representation learning in SBI has focused almost exclusively on compressing the observations used to condition the posterior. More recently, however, SBI has begun to target increasingly high-dimensional parameter spaces, raising the complementary question of whether the inference target itself should be compressed. Our answer is a practical merger of SBI and latent generative modeling, which learns a low-dimensional representation of the simulator parameters, performs posterior inference directly in this latent space, and maps posterior samples back to the original parameter space. We characterize the conditions under which latent-space inference recovers the desired target posterior and systematically study its empirical trade-offs. Across four case studies and three generative families, we compare latent and standard estimators while controlling for network capacity, regularization, optimization, and training compute. At matched training compute, latent-space inference achieves accuracy and marginal calibration comparable to direct target-space inference while sampling up to more than an order of magnitude faster.
• Abstract（参考訳）: ニューラルネットワークに基づく推論(SBI)は、画像や時系列などの潜在的高次元の観測から比較的少数の解釈可能なパラメータを推測することに成功した。 したがって、SBIにおける表現学習は、後部条件に使用される観察を圧縮することに集中している。 しかし、近年、SBIはますます高次元のパラメータ空間をターゲットにし始めており、推論対象自体を圧縮すべきかどうかという相補的な疑問が提起されている。 シミュレーションパラメータの低次元表現を学習し、この潜在空間で直接後部推論を行い、後部サンプルを元のパラメータ空間にマッピングする。 我々は,潜在空間推論が所望の目標を後続的に回復する条件を特徴付けるとともに,その経験的トレードオフを体系的に研究する。 4つのケーススタディと3つのジェネレーティブファミリーで、ネットワーク容量、正規化、最適化、トレーニング計算を制御しながら、潜時と標準推定器を比較した。 一致したトレーニング計算では、潜時空間推論は直接目標空間推論に匹敵する精度と限界キャリブレーションを達成し、最大1桁以上の速度でサンプリングする。

関連論文リスト

• Scalable Diffusion SBI for Compositional Inference under Simulator Misspecification [0.0]
  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。
  論文  参考訳（メタデータ） (2026-09-29T07:55:47Z)
• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• A Bayesian Approach for Task-Specific Next-Best-View Selection with Uncertain Geometry [50.782490644267334]
  我々は,ポイントクラウドからの3次元再構成において,タスク固有のアクティブな次世代ビュー選択のためのフレームワークを開発する。 本フレームワークは,一般的に使用されているベースラインや従来の一般的な不確実性推論手法と比較して,より少ない視点で優れたタスク性能を実現する。
  論文  参考訳（メタデータ） (2026-05-06T16:32:55Z)
• 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)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Likelihood-Free Adaptive Bayesian Inference via Nonparametric Distribution Matching [2.0319002824093015]
  本稿では,従来のデータ空間の相違を回避したフレームワークであるAdaptive Bayesian Inference (ABI)を提案する。 ABIは、後続分布間のばらつきを測定する問題を、条件付き量子レグレッションタスクのトラクタブルシーケンスに変換する。 ABIはデータベースであるWasserstein, 要約ベースABC, 最先端の可能性のないシミュレータを著しく上回っていることを実証する。
  論文  参考訳（メタデータ） (2025-05-07T17:50:14Z)
• 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)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Sparse Generalized Yule-Walker Estimation for Large Spatio-temporal Autoregressions with an Application to NO2 Satellite Data [0.0]
  高次元モデルのクラスをスパース推定する。 我々は,ユル=ヴァルカー方程式の集合をペナルティ化することにより,空間的および時間的依存を完全駆動的に支配する関係を推定する。 衛星シミュレーションは、競合する手順と比較して強い有限サンプル性能を示す。
  論文  参考訳（メタデータ） (2021-08-05T21:51:45Z)

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。