論文の概要: Joint Neural Posterior Estimation and Model Selection for Chemical Reaction Networks

• arxiv url: http://arxiv.org/abs/2610.18825v1
• Date: Tue, 13 Oct 2026 17:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:27:13.614242
• Title: Joint Neural Posterior Estimation and Model Selection for Chemical Reaction Networks
• Title（参考訳）: 化学反応ネットワークにおける結合神経後部推定とモデル選択
• Abstract要約: シミュレーションに基づく化学反応ネットワーク(CRN)のベイズ推定は、2つの計算要求問題を同時に解く必要がある。 可変長マルチ実験時系列データから低次元要約統計を学習するニューラルネットワークアーキテクチャを提案する。 実際の原生代用例に対して,本手法の実用性を実証する。
• 参考スコア（独自算出の注目度）: 5.136459007553683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulation-based Bayesian inference for Chemical Reaction Networks (CRNs) must simultaneously solve two computationally demanding problems: discriminating between overlapping reaction pathways and estimating reaction rate constants. Classical approaches, such as Sequential Monte Carlo ABC, rely on handcrafted summary statistics and scale poorly across large parameter spaces. To overcome this, we introduce a neural inference architecture. Our pipeline utilizes shared 1D-CNNs and a permutation-invariant Set Attention mechanism to learn low-dimensional summary statistics from variable-length, multi-experiment time-series data. These statistics simultaneously condition a model selection network to compute posterior model probabilities and model-specific conditional Invertible Neural Networks (cINNs) that estimate parameter posterior distributions. We demonstrate the practical utility of our approach on a real protodeboronation example, illustrating how it handles structural ambiguity and extracts kinetic parameters from competing catalyst deactivation pathways.
• Abstract（参考訳）: シミュレーションに基づく化学反応ネットワーク(CRN)のベイズ推定は、重なり合う反応経路と反応速度定数の判別という、2つの計算的に要求される問題を同時に解く必要がある。 シークエンシャルモンテカルロABCのような古典的なアプローチは、手作りの要約統計に頼り、大きなパラメータ空間をまたいだスケールが不十分である。 これを解決するために、我々はニューラル推論アーキテクチャを導入する。 パイプラインは1D-CNNの共有化と変分不変のSet Attention機構を用いて,可変長マルチ実験時系列データから低次元の要約統計を学習する。 これらの統計は、パラメータ後部分布を推定する後部モデル確率とモデル固有の条件付き可逆ニューラルネットワーク(cINN)を計算するためのモデル選択ネットワークを同時に条件付ける。 提案手法は, 構造的あいまいさをどう扱うかを示し, 競合する触媒不活性化経路から運動パラメータを抽出し, 実際のプロトデボロネーションの例に対して実用的有用性を示す。

関連論文リスト

• Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
  共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。 共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
  論文  参考訳（メタデータ） (2025-11-23T00:50:33Z)
• A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
  後部分布フレームワークのニューラルネットワークに基づく近似を導入する。 我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
  論文  参考訳（メタデータ） (2025-07-14T18:31:19Z)
• On Feynman--Kac training of partial Bayesian neural networks [1.6474447977095783]
  部分ベイズニューラルネットワーク(pBNN)は、完全なベイズニューラルネットワークと競合することが示されている。 本稿では,Feynman-Kacモデルのシミュレーションとして,pBNNのトレーニングを定式化した効率的なサンプリングベーストレーニング戦略を提案する。 提案手法は, 予測性能において, 技術状況よりも優れることを示す。
  論文  参考訳（メタデータ） (2023-10-30T15:03:15Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。