論文の概要: Spectra: Exact Component Transport for Test-Time Prior Adaptation in Simulation-Based Inference
- arxiv url: http://arxiv.org/abs/2610.08021v1
- Date: Tue, 06 Oct 2026 09:14:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.916068
- Title: Spectra: Exact Component Transport for Test-Time Prior Adaptation in Simulation-Based Inference
- Title（参考訳）: スペクトル:シミュレーションに基づく推論におけるテスト時間優先適応のための厳密な成分輸送
- Abstract要約: 本稿では拡散型SBIのためのテスト時間適応手法であるSpectraを紹介する。
オンラインサンプリングコストの低さで、強い事前シフトの下で正確な適応を実現する。
これにより、事前トレーニングされたSBIモデルは、テスト時に更新された事前情報を組み込むことができる。
- 参考スコア（独自算出の注目度）: 5.047658314456182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulation-based inference (SBI) has become a powerful approach to Bayesian inference in complex scientific models whose likelihoods are difficult or impossible to evaluate. Amortized SBI learns reusable inference models from simulated data, enabling rapid posterior inference for new observations, and modern generative models have made these models increasingly expressive. However, this reuse is limited to the prior distribution chosen during training, whereas scientific analyses often need revised priors as knowledge accumulates or alternative assumptions are tested. We introduce Spectra, a test-time adaptation method for diffusion-based SBI. Spectra uses an exact score-transport identity to obtain the adapted score from a frozen diffusion model in closed form for structured prior changes, without additional simulation or training. Across six SBI benchmarks, Spectra achieves accurate adaptation under strong prior shifts at low online sampling cost. This enables pretrained SBI models to incorporate updated prior information at test time.
- Abstract（参考訳）: シミュレーションベース推論(SBI)は、確率が難しい、あるいは評価が難しい複雑な科学モデルにおいて、ベイズ推論に対する強力なアプローチとなっている。
Amortized SBIは、シミュレーションデータから再利用可能な推論モデルを学び、新しい観測のための高速な後部推論を可能にし、近代的な生成モデルはこれらのモデルをますます表現力を高めている。
しかし、この再利用はトレーニング中に選択された事前分布に限られる一方、科学的分析では知識の蓄積や代替の仮定がテストされるため、しばしば事前の修正が必要である。
本稿では拡散型SBIのためのテスト時間適応手法であるSpectraを紹介する。
Spectraは正確なスコア・トランスポート・アイデンティティを使用して、凍結拡散モデルから、追加のシミュレーションやトレーニングなしで、構造化された事前変更のためのクローズドフォームで適応されたスコアを得る。
6つのSBIベンチマークで、Spectraはオンラインサンプリングコストの低い強い事前シフトの下で正確な適応を実現している。
これにより、事前トレーニングされたSBIモデルは、テスト時に更新された事前情報を組み込むことができる。
関連論文リスト
- A Review of Diffusion-based Simulation-Based Inference: Foundations and Applications in Non-Ideal Data Scenarios [0.0]
最近の研究は、シミュレーションベースの推論のための柔軟なフレームワークとして拡散モデルに注意を向けている。
この記事では、拡散に基づくSBIを第一原理から実際への応用までレビューする。
論文 参考訳（メタデータ） (2025-12-26T18:18:25Z) - PriorGuide: Test-Time Prior Adaptation for Simulation-Based Inference [35.357213292828426]
拡散型アモルト化推論法に特化して設計された手法である PreferGuide を紹介する。
これにより、トレーニングされた拡散モデルをテスト時に、コストのかかる再トレーニングを伴わずに、フレキシブルな適用が可能になる。
これにより、ユーザーは更新情報や専門知識のトレーニング後を簡単に組み込むことができ、事前訓練された推論モデルの汎用性を高めることができる。
論文 参考訳（メタデータ） (2025-10-15T17:11:19Z) - Flow Matching for Robust Simulation-Based Inference under Model Misspecification [11.172752919335394]
Flow Matching Corrected Posterior Estimation(フローマッチング補正後推定)は、シミュレーションによって訓練された後部推定を、少数の実校正サンプルを用いて洗練するフレームワークである。
提案手法は,従来のSBIベースラインと比較して,推論精度と不確実性を向上し,不特定性の影響を常に緩和することを示す。
論文 参考訳（メタデータ） (2025-09-27T16:10:53Z) - Effortless, Simulation-Efficient Bayesian Inference using Tabular Foundation Models [14.125143586947177]
本研究では,TabPFNをSBIの自己回帰条件密度推定器として用いる方法を示す。
NPE-PFNは、推論ネットワークの選択、トレーニング、ハイパーパラメータチューニングの必要性を排除する。
モデルミス特定に優れたロバスト性を示し、TabPFNのコンテキストサイズ限界を超えるシミュレーション予算にスケールできる。
論文 参考訳（メタデータ） (2025-04-24T15:29:39Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - 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) - Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。
テスト時間フォワード最適化適応法(FOA)を提案する。
FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
論文 参考訳（メタデータ） (2024-04-02T05:34:33Z) - A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [117.72709110877939]
テスト時間適応(TTA)は、事前訓練されたモデルをテスト中に、予測する前にラベルのないデータに適応する可能性がある。
TTAはテスト時間領域適応、テスト時間バッチ適応、オンラインテスト時間適応といったテストデータの形態に基づいて、いくつかの異なるグループに分類される。
論文 参考訳（メタデータ） (2023-03-27T16:32:21Z)
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。