NIPSMay, 2016

贝叶斯条件密度估计下无需 ε 的快速模拟模型推理

PDF
TL;DR该论文提出了一种基于贝叶斯条件密度估计的无似然推断方法，通过有限的模拟数据进行初步的推断，引导后续的模拟，相较于 Monte Carlo ABC 方法，该方法需要较少的模型模拟来获得整个真实后验分布的准确参数化表示。
approximate bayesian computationmonte carlo methodsposterior distributionlikelihood-free inferenceconditional density estimation
发现论文，激发创造
  • 基于回归密度估计的近似贝叶斯计算

    本文探讨了基于回归密度估计技术的方法来近似似然函数，该方法可促进贝叶斯推断及频率学推断。该方法在推断特殊极端值问题中进行了实证研究，实现了贝叶斯推断和频率学推断。

    Dec, 2012

  • 使用仿真器网络进行无似然推断

    使用基于概率神经模拟器网络的近似贝叶斯计算方法，通过学习模拟数据的合成似然函数，自适应选择模拟操作，并利用获取函数对不确定性进行建模，无需事先定义拒绝阈值或距离函数，实现模拟容易应用于高维问题的准确高效的推断。

    May, 2018

  • 动力系统中参数推断和模型选择的近似贝叶斯计算方案

    本文提出一种基于序贯蒙特卡罗近似贝叶斯计算的方法，用于评估后验分布并推断动态模型的参数，可适用于多种生物系统的参数推断、灵敏度分析和模型选择，此方法比其他近似贝叶斯计算方法表现更好。

    Jan, 2009

  • 基于模型的近似贝叶斯计算的高效采样规则

    本文提出了一种基于贝叶斯优化 (Bayesian optimization) 和高斯过程 (Gaussian processes) 的 ABC (Approximate Bayesian computation) 后验分布估计方法，通过计算 ABC 后验密度的不确定性来定义损失函数，并选择下一个评估位置以最小化期望损失。实验表明，该方法通常比常见的 BO 策略产生更准确的近似。

    Apr, 2017

  • 宇宙学前向建模的近似贝叶斯计算

    本文讨论如何使用近似贝叶斯计算方法（ABC）通过仿真数据集来导出参数约束，评估该方法在新的天体物理学应用中的潜力。

    Apr, 2015

  • 神经动力学机理模型的灵活统计推断

    本文提出了使用近似贝叶斯计算法 (ABC) 和神经网络来解决单个神经元动态机制模型的建立和参数估计中的挑战，旨在为神经科学家提供一种能够在复杂神经元模型上进行贝叶斯推断的方法。

    Nov, 2017

  • 无似然推断的期望传递

    介绍了 EP-ABC 算法，它是期望传播算法在无似然函数情况下的一种适应性算法，它具有比标准算法更快的速度和更高的精度，并且可以在没有总结统计的情况下直接逼近模型的证据。

    Jul, 2011

  • 近似贝叶斯计算中的似然函数逼近

    本章节在《近似贝叶斯计算手册》中发表，概述了两种估计不可计算似然性的方法，即基于模型根据统计量估计出的参数假设的贝叶斯人工似然法和使用一组约束来构建经验似然，或者使用近似方法来规避对模型的模拟。这两种方法的具体实施被展现在各种不同复杂度的模型中。

    Mar, 2018

  • 隐含 HMM 的神经有效样本似然自由贝叶斯推断

    提出了一种新的、样本高效的无似然推断方法，用于估计隐式隐藏状态的高维度后验分布，通过利用马尔可夫性质，直接学习不可行的隐藏状态的后验分布，其在评估隐式 HMM 时，估计结果的质量与使用计算成本更高的 SMC 算法相当。

    May, 2024

  • GPS-ABC: 高斯过程代理近似贝叶斯计算

    本研究开发了两种新的适应性 ABC 抽样算法，可显著减少后验推断所需的模拟数量，并且在真实的生物问题实验中得到了有效的验证。

    Jan, 2014