論文の概要: Asynchronous, Generation-Free ABC: Streaming AMIS Reweighting for Heterogeneous Simulator Workloads on HPC

• arxiv url: http://arxiv.org/abs/2610.29506v1
• Date: Wed, 21 Oct 2026 09:57:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.30698
• Title: Asynchronous, Generation-Free ABC: Streaming AMIS Reweighting for Heterogeneous Simulator Workloads on HPC
• Title（参考訳）: 非同期・生成不要ABC:HPC上の異種シミュレータワークロードのためのストリームAMISリウェイト
• Abstract要約: シミュレーション結果が届くと、その提案を更新する。 後部を推定するために, サンプリング提案の再構成混合に対して, 完全履歴と再加重粒子を再利用する。 サンプリング提案の混合を近似する際の誤差が推定後続にどのように影響し,近似の整合性を確立するかを示す。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Approximate Bayesian computation (ABC) enables Bayesian inference for models with intractable likelihoods by estimating parameter posterior distributions from simulated data. Sequential ABC methods improve sampling efficiency by iteratively adapting the proposal distribution toward regions of high posterior probability. However, these methods typically operate in generations, where each generation must wait for its slowest simulation before the next can begin. On a parallel machine, this synchronization barrier leaves workers idle and reduces throughput, particularly when simulation runtimes vary substantially. We introduce a generation-free ABC sampler that updates its proposal when simulation results arrive and sends a new candidate to each available worker. The proposal is based on the best particles evaluated so far. To estimate the posterior, we reuse the full history and reweight particles against a reconstructed mixture of sampling proposals. We show how errors in approximating the mixture of sampling proposals affect the estimated posterior and establish consistency for the smooth-ABC posterior when the approximation becomes asymptotically exact. In our experiments, the method achieves well-calibrated posterior estimates where a pyABC baseline with the same kernel and bandwidth schedule under-covers. From the asynchronous run's timing alone, we predict how much a synchronization barrier would slow the sampler. These predictions agree with measured synchronization penalties ranging from 1.2x to 400x. On a Cellular Potts tissue simulator, the asynchronous sampler completes 2.1-2.4x as many evaluations as pyABC in the same hour, and the discrepancy threshold for its best 100 evaluations is 4.1x smaller. With the starting bandwidth set from prior-predictive discrepancies, it also produces a more concentrated two-parameter posterior with a larger effective sample size than pyABC.
• Abstract（参考訳）: 近似ベイズ計算(ABC)は、シミュレーションデータからパラメータ後部分布を推定することにより、難易度のあるモデルに対するベイズ推定を可能にする。 高確率領域に対する提案分布を反復的に適応させることにより, ABC法によりサンプリング効率が向上する。 しかし、これらの手法は通常世代ごとに動作し、各世代は次の世代が始まる前に最も遅いシミュレーションを待たなければならない。 並列マシンでは、この同期バリアはワーカのアイドルを残し、特にシミュレーションランタイムが大幅に異なる場合、スループットを低下させる。 我々は,シミュレーション結果が到着した時に提案を更新し,利用可能な各作業者に新しい候補を送る,世代なしABCサンプリング装置を提案する。 この提案は、これまで評価された最高の粒子に基づいている。 後部を推定するために, サンプリング提案の再構成混合に対して, 完全履歴と再加重粒子を再利用する。 サンプリング提案の混合を近似する際の誤差が推定後部に与える影響を示し、近似が漸近的に正確になったときにスムーズなABC後部に対する一貫性を確立する。 実験では,同一のカーネルと帯域幅のスケジュールを持つ pyABC ベースラインをアンダーカバーとして,よく校正された後方推定を行う。 非同期実行のタイミングだけで、同期障壁がサンプリングをどれだけ遅くするかを予測する。 これらの予測は、1.2倍から400倍の範囲で測定された同期の罰則と一致する。 セルラーポッツ組織シミュレータでは、非同期サンプリング器は、同じ時間にpyABCの2.1〜2.4倍の評価を完了し、最も優れた100評価の誤差閾値は4.1倍である。 先行予測の不一致から開始帯域を設定することにより、pyABCよりも有効サンプルサイズが大きい2パラメータ後部をより集中的に生成する。

関連論文リスト

• Two-Sample Testing via Generative Processes [60.42943145582429]
  生成輸送は、2つのサンプルが同じ分布から来るかどうかを決定する新しい方法を提供する。 2つのサンプルの間に直接補間体を構築し、対称スケジュールでは、その法則が時間反射の下で不変であることを観察する。 したがって、t と 1-t の辺辺が、Jensen-Shannon の発散を計算することで一致するかどうかをテストする。
  論文  参考訳（メタデータ） (2026-10-06T12:48:27Z)
• Posterior sampling by source-space MCMC via prior-based few-step transport maps [6.917545157041757]
  我々は、ソース空間一般化ベイズ推論のためのフレームワークを開発する。 1段階または数段階改良されたMeanFlow(iMF)マップを使用して、事前表現を行う。 We establish Wasserstein error bounds between the exact and learned rears with the joint population iMF and assist-Vlocity loss。
  論文  参考訳（メタデータ） (2026-10-01T04:21:08Z)
• Provably adaptive sampling with uniform and remasking discrete diffusion models [9.180350432640912]
  本研究では,一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一様・一 我々の主な成果は、適応的なサンプリング保証を確立することである。 構造化された合成分布に関する数値実験は、予測された次元適応挙動を示す。
  論文  参考訳（メタデータ） (2026-08-24T17:54:51Z)
• Self-Refining Diffusion Samplers: Enabling Parallelization via Parareal Iterations [53.180374639531145]
  自己精製拡散サンプリング(SRDS)は、サンプル品質を維持し、追加の並列計算コストでレイテンシを向上させることができる。 微分方程式の並列時間積分法であるPararealアルゴリズムから着想を得た。
  論文  参考訳（メタデータ） (2024-12-11T11:08:09Z)
• Parallel Simulation for Log-concave Sampling and Score-based Diffusion Models [55.07411490538404]
  本稿では,次元$d$の適応的複雑性依存性を改善する並列サンプリング手法を提案する。 我々の手法は科学計算による並列シミュレーション技術に基づいている。
  論文  参考訳（メタデータ） (2024-12-10T11:50:46Z)
• Favour: FAst Variance Operator for Uncertainty Rating [0.034530027457862]
  機械学習予測を解釈するための重要なアプローチとしてベイズニューラルネットワーク(BNN)が登場した。 後部分布からサンプリングすることで、データサイエンティストは推論の不確実性を推定することができる。 以前の研究は、ネットワークを介して後部の第1モーメントと第2モーメントを伝播することを提案した。 この方法はサンプリングよりも遅いため、伝播分散を近似する必要がある。 私たちの貢献は、より原則化された分散伝播フレームワークです。
  論文  参考訳（メタデータ） (2023-11-21T22:53:20Z)
• Adversarial Bayesian Simulation [0.9137554315375922]
  我々は,敵対的ネットワーク(GAN)と敵対的変動ベイズに基づく深いニューラル暗黙的サンプリング器を用いてベイズ近似計算(ABC)を橋渡しする。 我々は,逆最適化問題を解くことにより,後部を直接対象とするベイズ型GANを開発した。 本研究は, ニューラルネットワーク生成器と識別器において, 真と近似後部の典型的な総変動距離が0に収束することを示す。
  論文  参考訳（メタデータ） (2022-08-25T14:18:39Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)

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。