Feb, 2018

一种基于可交换神经网络的无似然推断框架，应用于人群遗传数据

PDF
TL;DR该研究利用交换神经网络，实现了基于模拟数据的统计推断，旨在解决高维变量积分与数据置换不变性问题，取得了在重组热点测试问题上领先于现有技术的成果。
population-scale inferencewhole-genome datalikelihood-free methodsneural networkrecombination hotspot testing
发现论文，激发创造
  • 神经密度估计和无似然推断

    本文探讨了机器学习和统计学中的两个问题：密度估计和无似然推断，结合深度学习中新方法，提出了有效解决方案。

    Oct, 2019

  • 从隐式模型中挖掘金子，以改善无似然推理

    介绍了一种新型的基于模拟的推断技术，在高维情况下，这种技术超越了传统的近似贝叶斯计算方法，并扩展了基于神经网络的代理模型的方法，并演示了这些新技术比传统方法更具样本效率和提供更高保真度的推断。

    May, 2018

  • 高效、准确、轻量级的基于高斯局部线性映射的连续仿真推理

    使用结构化概率分布的混合模型，提供了逼真的后验推断，相较于基于神经网络的仿真推断方法，在计算上具有更小的足迹，对于具有复杂模型和难以计算的似然函数的贝叶斯推断提供了一个可行的选择。

    Mar, 2024

  • 深度学习与遗传算法用于宇宙贝叶斯推断加速

    本文提出了一种新颖的方法来加速贝叶斯推断过程，特别关注嵌套取样算法。

    May, 2024

  • 改进交叉熵估计器的无似然推断

    通过利用神经网络作为概率无关推断的代理模型，使用隐式生成模型或模拟器提供的联合概率比和联合得分来增强这些代理模型的训练数据，提出了一种新的交叉熵估计器，与之前利用增强训练数据的损失函数相比，该估计器提供了更好的样本效率。

    Aug, 2018

  • 一种高效的基于顺序神经后验估计的无似然贝叶斯推断方法

    SNPE-B 是一种用于模拟为基础模型的顺序神经后验估计技术，本文提出了改进的方法，包括使用自适应校准核的集中损失函数和方差降低技术，以提高数据效率并加快学习过程。实验结果表明，我们的方法在某些任务上表现优于原始方法和其他竞争方法。

    Nov, 2023

  • 基于仿真的推断基准测试

    通过建立合适的性能度量标准的基准，我们评估了一些最新的利用神经网络和经典近似贝叶斯计算方法的方法，发现性能度量的选择关键，即使是最先进的算法也有很大的改进空间，顺序估计提高了样本效率，神经网络方法通常表现更好，但没有均匀的最佳算法。

    Jan, 2021

  • 对比学习用于无似然推断

    该研究探讨了两种不需要概率似然函数的方法来处理具有随机模拟器模型的参数推断问题，分别是通过分类器学习隐含的密度比例和构建条件分布进行参数后验的灵活神经密度估计。研究表明这两种方法可以共同运行于一种对比学习策略下，并详细解释了它们如何运行和相互比较。

    Feb, 2020

  • 网络人群的非参数贝叶斯建模

    探讨了一种基于贝叶斯非参数方法的连接组学模型，通过混合模型降低维度并在每个混合组件中高效地整合网络信息，提高了对网络值随机变量概率质量函数的推断灵活性。

    Jun, 2014

  • 黑盒优化与无似然推断的统一

    本文提出将无似然推断和黑盒优化统一到一个概率框架下的构造方法，以此为基础构建序列设计方法，并提出新的概率黑盒优化算法，通过序列设计应用的广泛实验表明该方法的优势。

    Oct, 2021