論文の概要: Bayesian Inference of Expensive Simulators: Survey and Comparison of Design Choices

• arxiv url: http://arxiv.org/abs/2610.37284v1
• Date: Tue, 27 Oct 2026 14:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.652889
• Title: Bayesian Inference of Expensive Simulators: Survey and Comparison of Design Choices
• Title（参考訳）: 余剰シミュレータのベイズ推定:設計選択に関する調査と比較
• Abstract要約: 本稿では,シミュレータフォワードモデルを用いたベイズ推定へのアプローチについて,非常に高価なシミュレータによる設定に焦点を当てた調査を行う。 我々は既存の手法を一般的なフレームワークに統合し、共有されたアルゴリズム構造に関する一貫した推論を可能にする。 本稿では,より情報を保持し,よりスムーズな応答面を提供するために設計されたシミュレータ出力の変換という,独自のエフェロキシ変数の概念を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a survey of approaches to Bayesian inference with simulator forward models, focusing on settings with prohibitively expensive simulators. In this domain, Bayesian optimization-based methods have emerged as the most promising approach. We unify existing methods into a general framework, enabling consistent reasoning about shared algorithmic structure across the fragmented literature. Within this framework, we identify the primary design choices and perform a systematic empirical comparison of their effects on inference efficiency in terms of required simulation budget. A key result of our study is that inference efficiency is often dominated by the choice of surrogate-model response variable, as it directly governs the complexity of the modeled function. Specifically, we demonstrate that the prevalent scalar log-likelihood is a poor response variable, as it discards crucial information. Based on this insight, we introduce the concept of custom \emph{proxy variables}: transformations of simulator outputs engineered to retain more information and provide smoother response surfaces, substantially improving inference efficiency over standard response variables. We provide actionable guidance and a numerically robust Julia package to facilitate practical adoption of Bayesian optimization for simulator inverse problems.
• Abstract（参考訳）: 本稿では,シミュレータフォワードモデルを用いたベイズ推定へのアプローチについて,非常に高価なシミュレータによる設定に焦点を当てた調査を行う。 この領域では、ベイズ最適化に基づく手法が最も有望なアプローチとして現れている。 我々は既存の手法を一般的なフレームワークに統一し、断片化された文献間で共有されたアルゴリズム構造について一貫した推論を可能にする。 本枠組みでは, 設計選択の主要因を特定し, 必要なシミュレーション予算の観点から, 推論効率への影響について, 系統的比較を行った。 我々の研究の重要な結果は、推論効率がモデル関数の複雑さを直接支配するため、しばしば代理モデル応答変数の選択によって支配されることである。 具体的には,重要な情報を捨てたスカラーログが,応答変数の低さを実証する。 この知見に基づいて、我々は、より多くの情報を保持し、よりスムーズな応答曲面を提供するために設計されたシミュレータ出力の変換をカスタムな \emph{proxy variables} の概念を導入し、標準応答変数よりも推論効率を大幅に改善する。 シミュレーション逆問題に対するベイズ最適化の実践的適用を容易にするために、実用的なガイダンスと数値的に堅牢なJuliaパッケージを提供する。

関連論文リスト

• Exploiting Gradients in Bayesian Inference of Expensive Simulators [0.0]
  入力パラメータに対するシミュレータ出力の勾配はますます高まっている。 本稿では,ガウス過程に勾配情報を組み込むことによって,ベイズ最適化に基づく推論が,限られたシミュレーション予算の下でどのように加速されるかを示す。 逆モード微分では、追加の計算コストを考慮すると、推論効率の向上が維持される。
  論文  参考訳（メタデータ） (2026-10-08T14:52:53Z)
• Fast and Robust Simulation-Based Inference With Optimization Monte Carlo [5.023891066282675]
  本稿では,実行時間を大幅に削減した正確な後部推論を実現する,微分可能シミュレータの新しい手法を提案する。 我々の手法は、常に一致し、しばしば最先端の手法の精度を上回り、ランタイムを実質的なマージンで削減する。
  論文  参考訳（メタデータ） (2025-11-17T14:07:36Z)
• G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
  G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。 信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
  論文  参考訳（メタデータ） (2025-06-10T22:14:34Z)
• Learning Causal Response Representations through Direct Effect Analysis [3.881388090216841]
  本稿では,因果応答表現を学習するための新しいアプローチを提案する。 本手法は,多次元的な結果が処理変数によって最も直接的に引き起こされる方向を抽出することを目的としている。
  論文  参考訳（メタデータ） (2025-03-06T12:01:41Z)
• 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)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Optimal simulation-based Bayesian decisions [0.0]
  難解な確率下での最適ベイズ決定の効率的な計算のための枠組みを提案する。 パラメータと行動空間のどの位置をシミュレートするかを選択するための能動的学習手法を開発した。 結果として生じるフレームワークは極めて効率的なシミュレーションであり、一般的に、関連する後部推論タスクのみよりもモデル呼び出しを少なくする。
  論文  参考訳（メタデータ） (2023-11-09T20:59:52Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)

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。