論文の概要: A perspective note on likelihood approximation and inference for complex simulation models using a chain of aggregated normalizing flows
- arxiv url: http://arxiv.org/abs/2610.07391v1
- Date: Mon, 05 Oct 2026 21:05:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.664046
- Title: A perspective note on likelihood approximation and inference for complex simulation models using a chain of aggregated normalizing flows
- Title（参考訳）: 集合正規化流れの連鎖を用いた複素シミュレーションモデルの近似と推定の可能性に関する一考察
- Abstract要約: シミュレーションに基づく推論の枠組みにおける確率近似問題に対する新しい視点を提案する。
我々は、確率近似スキームに対する$n$-aggregated normalization flowの連鎖を考える。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a new perspective on the problem of likelihood approximation within the framework of simulation-based inference that promotes scalable and controllable simulation routines for large-scale data analysis, allows efficient parameter space exploration or smooth interpolation in high-dimensions and, thus, supports valid statistical treatments of hypothesis testings as well as uncertainty quantification. In particular, we consider a chain of $n$-aggregated normalizing flows for likelihood approximation scheme, where a set of upfront replicated observation datasets from the forward complex simulation model pass through the first set of bijective transformations, and then subsequently pass to the other sets of bijective transformations. Here, we assume that, for any $k \in \{1,\,2, \ldots, n\}$, the parameters corresponding to the first $k$ sets of bijective transformations are estimated sequentially, in some sense of optimality, for constructing flexible probability distributions, regardless of the remaining $(n-k)$ sets of bijective transformations. Moreover, our objects of interest are to highlight two complementary mathematical arguments that leverage an informatics-theoretic formalization, based-on empirical likelihood estimators under moment restrictions, and a sequential decision-making paradigm, with mixing distributions, for updating and aggregating the estimated parameters of the overall normalizing flows. As a by-product, the framework provides a reliable surrogate model, conditioned on the model parameters defining the forward computational simulation, that allows samples generation, with statistical powers, and facilitates computationally tractable scheme in the Bayesian paradigm for inference, hypothesis testings and uncertainty quantification.
- Abstract（参考訳）: 本稿では,大規模データ解析のためのスケーラブルで制御可能なシミュレーションルーチンを推進し,高次元における効率的なパラメータ空間探索やスムーズな補間を可能にするシミュレーションベース推論のフレームワーク内での確率近似問題に対する新たな視点を提案する。
特に、確率近似スキームに対する$n$-aggregated normalization flowの連鎖を考えると、前方複素シミュレーションモデルからの事前複製された観測データセットのセットが、最初の単射変換のセットを通過し、その後、他の単射変換のセットに渡される。
ここでは、任意の$k \in \{1,\,2, \ldots, n\}$に対して、全単射変換の残りの$(n-k)$集合にかかわらず、任意の最適性の意味で、最初の$k$集合に対応するパラメータは、フレキシブルな確率分布を構成するために順次推定されると仮定する。
さらに,本研究の目的は,情報論的形式化,モーメント制約下での実証的可能性推定,および全体正規化フローの推定パラメータの更新と集約のための混合分布を用いた逐次決定パラダイムの2つの相補的数学的議論を強調することである。
副産物として、このフレームワークは、フォワード計算シミュレーションを定義するモデルパラメータに基づいて、信頼できるサロゲートモデルを提供する。
関連論文リスト
- Simulation-based parameter estimation via a combination of embedded normalizing flows and implied empirical probabilities under moment restrictions [0.0]
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。
論文 参考訳（メタデータ） (2026-07-27T19:36:51Z) - S2MAM: Semi-supervised Meta Additive Model for Robust Estimation and Variable Selection [37.9993096742594]
本稿では,新しい半スーパービジョンメタ付加モデル(S$2$MAM)を提案する。
情報変数を自動的に識別し、類似度行列を更新し、解釈可能な予測を同時に達成するバイレベル最適化方式に基づく。
4つの実世界のデータセットと12つの実世界のデータセットにまたがる実験的な評価は、様々なレベルの汚職のカテゴリを持ち、提案手法の堅牢性と解釈可能性を検証する。
論文 参考訳（メタデータ） (2026-04-21T04:27:12Z) - Inductive Domain Transfer In Misspecified Simulation-Based Inference [29.26298096319145]
キャリブレーションと分散アライメントを1つのエンドツーエンドのトレーニング可能なモデルに統合する,完全な帰納的・償却型SBIフレームワークを提案する。
我々のアプローチは、他の標準SBIおよび非SBI推定器と同様に、RoPEの性能と一致または上回っている。
論文 参考訳（メタデータ） (2025-08-21T14:06:42Z) - H-AddiVortes: Heteroscedastic (Bayesian) Additive Voronoi Tessellations [0.0]
Heteroscedastic AddiVortesモデルは、応答変数の条件平均と分散を同時にモデル化する。
平均値の総和法と変分に対する積積算法を用いることにより、モデルは複雑で予測因子に依存した関係を捉える柔軟かつ解釈可能な手段を提供する。
論文 参考訳（メタデータ） (2025-03-17T10:41:31Z) - Variational Autoencoders for Efficient Simulation-Based Inference [2.0034235495967736]
本稿では、確率自由なシミュレーションに基づく推論のための変分推論フレームワークに基づく生成的モデリング手法を提案する。
本稿では, 計算効率を高い精度で維持しつつ, 複雑な後続を近似する手法を提案する。
論文 参考訳（メタデータ） (2024-11-21T12:24:13Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
リッジ回帰に関する最近の結果について統一的な視点を提示する。
我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。
我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - 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) - Functional Mixtures-of-Experts [0.24578723416255746]
観測対象が関数を含む状況下での予測のための異種データの統計的解析について検討する。
まず,機能的ME(FME)と呼ばれる新しいMEモデルのファミリーを提示する。
我々は,モデルに適合する最大パラメータ推定戦略を定式化したLasso-like (EM-Lasso) の専用予測-最大化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-02-04T17:32:28Z) - 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) - Posterior-Aided Regularization for Likelihood-Free Inference [23.708122045184698]
後補助正規化(PAR)は,モデル構造に関係なく,密度推定器の学習に適用可能である。
単一のニューラルネットワークを用いて逆KL項と相互情報項の両方を推定するPARの統一推定方法を提供する。
論文 参考訳（メタデータ） (2021-02-15T16:59:30Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳（メタデータ） (2020-04-17T12:47:04Z)
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。