論文の概要: ENFR: Evidence Networks with Flow-Matched References for Amortized Simulation-Based Model Inference
- arxiv url: http://arxiv.org/abs/2610.23825v1
- Date: Fri, 16 Oct 2026 17:48:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:08.057592
- Title: ENFR: Evidence Networks with Flow-Matched References for Amortized Simulation-Based Model Inference
- Title（参考訳）: ENFR:Amortized Simulation-based Model Inferenceのためのフローマッチング参照付きエビデンスネットワーク
- Abstract要約: データ生成モデルである$mathcalM$の証拠は、ベイジアンフレームワークの強力なツールである。
ENFR: フローマッチング参照付きエビデンスネットワークについて述べる。
検討対象のすべてのアプリケーションにおいて,フローベースベースラインに対する$mathcalZ$の推定の改善を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The evidence, $\mathcal{Z} = p(x | \mathcal{M})$, of a data-generating model $\mathcal{M}$ is a powerful tool in Bayesian frameworks: it enables model inference, model misspecification tests, and goodness-of-fit assessment as an alternative to standard discrepancy statistics, e.g. $χ^2$. While versatile, the evidence is notoriously difficult to compute, even when the likelihood is available. In both likelihood-based and simulation-based inference, estimating $\mathcal{Z}$ provides an immediate solution to high-dimensional goodness-of-fit or model misspecification tests: using $\mathcal{Z}(x)$ as the test statistic induces a minimum-volume level-$α$ test. Such tests are essential to assess model fidelity, which is necessary to trust simulation-based parameter inference. Existing learned approaches largely target Bayes factors, which only measure evidence ratios. Instead, we provide accurate, fast, and amortized estimates of the absolute evidence. We present ENFR: Evidence Networks with Flow-matched References. Building on the Evidence Network framework of Jeffrey & Wandelt (2024), the proposed method first learns Bayes factors with respect to a flow-matched reference, from which the absolute evidence is recovered. We show improvement in estimation of $\mathcal{Z}$ over the flow-based baseline in all applications considered and the best performance of all density estimation methods considered in our benchmarks. We furthermore introduce and provide the proof for an architecture that jointly learns the individual evidences of a set of models $\{\mathcal{M}_i\}$. We demonstrate the performance and scaling behavior of these approaches on data from a variety of scientific applications.
- Abstract（参考訳）: データ生成モデルの証拠である$\mathcal{Z} = p(x | \mathcal{M})$は、ベイズフレームワークの強力なツールである。
万能性はあるものの、その証拠は計算が難しいことで知られています。
確率ベースとシミュレーションベースの推論の両方において、$\mathcal{Z}$を推定すると、高次元の適合性やモデルの誤特定テストに対する即時解が得られる: $\mathcal{Z}(x)$ をテスト統計量として使用すれば、最小体積レベル-$α$テストが導き出される。
このようなテストは、シミュレーションに基づくパラメータ推論を信頼するために必要なモデル忠実度を評価するために不可欠である。
既存の学習アプローチは、証拠比率のみを測定するベイズ因子を主に対象としていた。
その代わり、絶対的な証拠の正確で、速く、そして、償却された見積もりを提供する。
ENFR: フローマッチング参照付きエビデンスネットワークについて述べる。
Jeffrey & Wandelt (2024) のエビデンス・ネットワーク・フレームワークに基づいて、提案手法はまず、フローマッチングされた参照に関してベイズ因子を学習し、絶対的な証拠を回収する。
本稿では,フローベースベースラインに対する$\mathcal{Z}$の推定精度の向上と,ベンチマークで考慮したすべての密度推定手法の最適性能を示す。
さらに、モデルの集合である$\{\mathcal{M}_i\}$の個々のエビデンスを共同で学習するアーキテクチャの証明を紹介し、提供する。
様々な科学的応用から得られたデータに基づいて,これらの手法の性能とスケーリングの挙動を実証する。
関連論文リスト
- CollabEval: Statistically Efficient Collaborative Model Evaluation via Matrix Completion [65.53153291902454]
コラボレーティブ・アセスメント(CollabEval)は、異なるモデルの歴史的実行間の依存関係を同じタスクで活用し、統計的効率を改善するための、シンプルで効果的で原則化された方法である。
スコア行列の低ランク近似を構築し、再構成された値を用いて真の評価基準平均の偏りのない推定を保証します。
その結果,CollabEval では,平均信頼区間サイズと点推定値の平均2乗誤差を,同じアノテーション予算における基準手法と比較して大幅に削減できることがわかった。
論文 参考訳（メタデータ） (2026-07-06T13:22:04Z) - Likelihood-Preserving Embeddings for Statistical Inference [0.0]
現代の機械学習の埋め込みは、高次元データの強力な圧縮を提供する。
本稿では,確率保存型埋め込みの理論を考案する。
ガウス分布とコーシー分布の実験は指数族理論によって予測される鋭い相転移を検証する。
論文 参考訳（メタデータ） (2025-12-27T16:21:55Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Tests for model misspecification in simulation-based inference: from local distortions to global model checks [2.0209172586699173]
我々は、広範囲のモデル不一致分析タスクに対して、堅牢で柔軟な基盤を提供する。
我々は、異常検出、モデル検証、良質な残差分析といった古典的手法に明確な分析接続を行う。
本稿では, 実際の重力波データ, 特にGW150914について, このような歪み駆動型モデルの不特定試験を行う方法を示す。
論文 参考訳（メタデータ） (2024-12-19T17:48:03Z) - Online non-parametric likelihood-ratio estimation by Pearson-divergence
functional minimization [55.98760097296213]
iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。
本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
論文 参考訳（メタデータ） (2023-11-03T13:20:11Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳（メタデータ） (2023-10-20T10:20:45Z) - Deconstructing Distributions: A Pointwise Framework of Learning [15.517383696434162]
テスト分布におけるモデルの平均性能と、この個々の点におけるポイントワイズ性能の関係について調べる。
プロファイルは、モデルとデータの構造 -- 分布の内外 -- に新しい洞察を与えることができる。
論文 参考訳（メタデータ） (2022-02-20T23:25:28Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-04-22T15:15:46Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z)
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。