論文の概要: Semi-Amortized Bayesian Inference with Reusable Local Posteriors

• arxiv url: http://arxiv.org/abs/2610.18945v1
• Date: Tue, 13 Oct 2026 15:01:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.731119
• Title: Semi-Amortized Bayesian Inference with Reusable Local Posteriors
• Title（参考訳）: Reusable Local Posterior を用いた半償却ベイズ推論
• Abstract要約: 償却ベイズ推定は、確率が高価または分析的に利用できない場合に、確率推定を行うためにシミュレーションを使用する。 パラメータを小さなブロックに分割し,各ブロックを推測するために必要な情報を特定するために条件独立性を用いるセミアモタイズ手法を提案する。 後続更新が計算コストが高く、頻繁に繰り返されるブロックに対して、ニューラル推定器を訓練する。
• 参考スコア（独自算出の注目度）: 5.315303164670769
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Amortized Bayesian inference uses simulations to perform Bayesian estimation when likelihoods are expensive or analytically unavailable. However, learning the full joint posterior is challenging in high-dimensional models with complex dependencies. We introduce a semi-amortized method that divides parameters into smaller blocks, and uses conditional independence to identify the information needed to infer each block. We train neural estimators for blocks whose posterior updates are computationally expensive or frequently repeated. Each estimator learns from simulations of the relevant model components to approximate the block's full conditional posterior, given the relevant observations and the values of the variables on which it depends. A Markov chain then alternates direct draws from these estimators with conventional updates of the remaining variables. Each neural update uses the current conditioning values and requires neither likelihood evaluation nor an acceptance-rejection step. Where the same conditional structure recurs, one estimator can be reused across blocks and datasets, with an output dimension determined by the block rather than the full model. We illustrate the approach in high-dimensional and computationally expensive hierarchical and spatiotemporal models.
• Abstract（参考訳）: 償却ベイズ推定は、確率が高価または分析的に利用できない場合にベイズ推定を行うためにシミュレーションを使用する。 しかし、複雑な依存を持つ高次元モデルでは、完全関節後部学習は困難である。 パラメータを小さなブロックに分割し,各ブロックを推測するために必要な情報を特定するために条件独立性を用いるセミアモタイズ手法を提案する。 後続更新が計算コストが高く、頻繁に繰り返されるブロックに対して、ニューラル推定器を訓練する。 各推定器は、関連するモデル成分のシミュレーションから学習し、ブロックの完全な条件付き後部を近似する。 マルコフ連鎖は、これらの推定器から直接の描画を、残りの変数の従来の更新と置き換える。 それぞれのニューラルアップデートは、現在の条件付け値を使用し、可能性評価も受け入れ拒否ステップも必要としない。 同じ条件構造が再帰する場合、ひとつの推定器はブロックやデータセットにまたがって再利用でき、出力次元は完全なモデルではなくブロックによって決定される。 本稿では,高次元・計算コストの階層モデルと時空間モデルについて述べる。

関連論文リスト

• Calibrating subgrid parametrizations of single-column ocean models via simulation-based inference [0.7212934161201329]
  海洋モデルにおける垂直混合のサブグリッドパラメトリゼーションは直接測定できない自由係数に依存する。 既存のアプローチはポイント推定を返却し、関連する不確実性は不適切なままにしておく。 提案手法では, 計算可能な確率を必要とせず, 全後方パラメータを近似するためにシミュレーションベース推論を用いる。
  論文  参考訳（メタデータ） (2026-09-03T13:06:41Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Conditional Distribution Function Estimation Using Neural Networks for Censored and Uncensored Data [0.0]
  検閲されたデータと検閲されていないデータの両方に対してニューラルネットワークを用いて条件分布関数を推定することを検討する。 本研究では,提案手法が望ましい性能を有することを示す一方で,モデル仮定に違反した場合に偏りのある推定値が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-06T01:12:22Z)
• Density Estimation with Autoregressive Bayesian Predictives [1.5771347525430772]
  密度推定の文脈では、標準的なベイズ的アプローチは、後方予測をターゲットとする。 我々は、データを潜在空間にマッピングする自己回帰ニューラルネットワークを用いて、帯域幅の新たなパラメータ化を開発する。
  論文  参考訳（メタデータ） (2022-06-13T20:43:39Z)
• Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
  我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。 パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
  論文  参考訳（メタデータ） (2022-01-28T12:00:31Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Machine Learning based optimization for interval uncertainty propagation with application to vibro-acoustic models [0.0]
  工学系の性能解析には2つの非侵入的不確実性伝播法が提案されている。 1つのアプローチは、応答変数の上と下の境界を別々に評価するために、2つの異なるトレーニングデータセットを反復的に構築する。 もう1つは反復的に単一のトレーニングデータセットを構築します。
  論文  参考訳（メタデータ） (2021-06-21T15:57:11Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• Model-based multi-parameter mapping [0.0]
  定量的MRイメージングは、よりリッチな情報の内容と標準化された測定基準のためにますます好まれている。 推定はしばしば、異なる量のデータを分離して解くために、データのノイズサブセットを仮定する。 代わりに、生成モデルは定式化され、パラメータ推定を共同で回復するために反転することができる。
  論文  参考訳（メタデータ） (2021-02-02T17:00:11Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。