論文の概要: Sample-Size Extrapolation in Simulation-Based Inference via Statistical Scaling
- arxiv url: http://arxiv.org/abs/2610.16820v1
- Date: Mon, 12 Oct 2026 14:03:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 21:24:20.470984
- Title: Sample-Size Extrapolation in Simulation-Based Inference via Statistical Scaling
- Title（参考訳）: 統計的スケーリングによるシミュレーションベース推論におけるサンプルサイズ外挿
- Abstract要約: シミュレーションベース推論(SBI)では、広範囲のサンプルサイズでトレーニングされた神経後部推定器は、より大きなデータセットで不正確になる可能性がある。
統計的中心と明示的収縮率を組み合わせた中心推定NPE(CE-NPE)を提案する。
6つの通常のベンチマークでは、CE-NPEはテストされた全てのアモータイズされた推定器を、あらゆる範囲のサイズで参照後合意する。
- 参考スコア（独自算出の注目度）: 2.760143744213637
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In simulation-based inference (SBI), neural posterior estimators trained on a bounded range of sample sizes can become inaccurate on larger datasets because their parameterizations do not specify how posterior location, uncertainty and shape must change as observations accumulate. We propose center-estimated NPE (CE-NPE), which combines a statistical center with an explicit contraction rate and learns a local center correction and residual densities in posterior-scale coordinates. The center is a statistical estimate, such as a closed-form statistic or a simulator-based moment match, which does not require an evaluable likelihood. Our analysis explains how contraction amplifies center error and decomposes Gaussian posterior error into shape, mean and covariance contributions. On six regular benchmarks, CE-NPE gives the best reference-posterior agreement of all tested amortized estimators at every out-of-range size, up to five times the largest training size, without retraining; it also fits better within the training range on most of them. Matched controls and nonregular examples characterize the scope of these gains and identify the conditions on which they depend: an appropriate contraction rate, an accurate center, and a stable residual representation.
- Abstract（参考訳）: シミュレーションベース推論(SBI)では、観測が蓄積されるにつれて、後部の位置、不確実性、形状がどのように変化するかをパラメータ化しないため、より大きなデータセット上で、境界範囲のサンプルサイズで訓練された神経後部推定器が不正確になる可能性がある。
我々は,統計的中心と明示的収縮率を組み合わせた中心推定NPE(CE-NPE)を提案し,後規模座標における局所的な中心補正と残留密度を学習する。
中心は閉形式統計学やシミュレータに基づくモーメントマッチのような統計的推定であり、評価可能な確率を必要としない。
我々の分析は、縮尺が中心誤差を増幅し、ガウス後誤差を形状、平均および共分散寄与に分解する方法を説明する。
6つの通常のベンチマークでは、CE-NPEはテスト対象外サイズ毎のすべてのアモータライズされた推定値について、トレーニングをせずに最大5倍のトレーニングサイズで最高の参照後合意を与えています。
一致した制御と非正規例は、これらの利得の範囲を特徴づけ、それらが依存する条件(適切な収縮率、正確な中心、安定した残留表現)を特定する。
関連論文リスト
- Scalable AI Uncertainty Quantification via Generalized Laplace Active Subspaces [0.0]
少数のデータインフォームド曲率方向に基づくニューラルネットワークUQに対する低ランク一般化Laplace近似を提案する。
標準スケーリングは、主要な活性方向の後方分散のデータサイズ依存的収縮を誘導する。
一般化された平均損失スケーリングはより安定で低次元の活性部分空間をもたらす。
論文 参考訳（メタデータ） (2026-10-08T11:31:29Z) - 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) - PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers [58.87583368961845]
PosteriorBenchは、生成的逆解器の分布精度を評価するためのベンチマークである。
ダーシーフローの逆転、ポアソン源の回復、炭素捕獲と貯蔵、光輸送物質推論の4つの物理に基づく逆問題を評価する。
論文 参考訳（メタデータ） (2026-09-17T17:54:12Z) - Online Supervised Dimension Reduction with Random Features: Diagnostics and Computational Trade-offs [3.7044133020722954]
Online Kernel Supervised principal Component Analysis (OKSPCA)は、有限乱数係数座標における中心となるクロスモーメントと、確立された目的に対するAdamスタイルの正則基底更新を組み合わせたものである。
有限乱数係数座標における中心的クロスモーメントと、確立された目的に対するAdamスタイルの正規直交基底更新を組み合わせたOKSPCAについて、これらの区別について検討する。
論文 参考訳（メタデータ） (2026-09-17T14:19:29Z) - Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。
我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。
結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
論文 参考訳（メタデータ） (2026-07-08T15:51:05Z) - CuBAS: Information Geometric Curvature-Based Adaptive Sampling for Supervised Classification [52.452902154360565]
CuBASは、教師付き分類における適応データ選択のための情報幾何学的フレームワークである。
ラベル付きデータセットは統計多様体と見なすことができ、局所曲率は2階と1階の観測されたフィッシャー情報の比率で推定され、データの分布の幾何学的複雑さを忠実にエンコードする。
論文 参考訳（メタデータ） (2026-07-03T09:36:02Z) - Approximating Full Conformal Prediction for Neural Network Regression with Gauss-Newton Influence [8.952347049759094]
我々は、保留データなしで、保留後のニューラルネットワーク回帰器の予測間隔を構築する。
ガウス・ニュートンの影響を利用して1回、局所摂動モデルパラメータを訓練する。
論文 参考訳（メタデータ） (2025-07-27T13:34:32Z) - A Partial Initialization Strategy to Mitigate the Overfitting Problem in CATE Estimation with Hidden Confounding [44.874826691991565]
観察データから条件平均治療効果(CATE)を推定することは、電子商取引、医療、経済などの分野において重要な役割を果たす。
既存の研究は主に、隠れた共同設立者がいないという強い無知の仮定に依存している。
ランダム化制御試験 (RCT) から収集されたデータは、共起に苦しむことはないが、通常は小さなサンプルサイズによって制限される。
論文 参考訳（メタデータ） (2025-01-15T15:58:16Z) - Geometry-Aware Instrumental Variable Regression [56.16884466478886]
本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。
本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
論文 参考訳（メタデータ） (2024-05-19T17:49:33Z) - Bayesian Federated Inference for regression models based on non-shared multicenter data sets from heterogeneous populations [0.0]
回帰モデルでは、サンプルサイズは予測器の数に対して十分な大きさでなければならない。
異なる(医療)センターで収集された異なるデータセットからデータをポーリングすることはこの問題を軽減するが、プライバシー規制やロジスティックな問題のためにしばしば実現不可能である。
別の方法は、センター内のローカルデータを別々に分析し、統計的推測結果とベイズ連邦推論(BFI)手法を組み合わせることである。
このアプローチの目的は、組み合わせたデータに対して統計的解析を行った場合、何を発見したのかを、別々の中心における推論結果から計算することである。
論文 参考訳（メタデータ） (2024-02-05T11:10:27Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z)
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。