May, 2019

自动后验转换用于无似然推断

PDF
TL;DR提出了一种新的基于神经网络的自适应后验变换方法，APT 可以用任意动态更新的提议来修改后验估计，采用流形密度估计器，具有更高的灵活性、可伸缩性和效率，并能直接处理高维时间序列和图像数据，并可开展无似然推断。
bayesian inferencestochastic simulatorsneural network-based conditional density estimatorsautomatic posterior transformationlikelihood-free inference
发现论文，激发创造
  • 利用嵌套 MLMC 进行具有难解似然函数的顺序神经后验估计

    本文提出了一种基于嵌套 APT 方法的序贯神经后验估计方法，利用无偏的多层次 Monte Carlo 估计器对偏差和方差进行校正，以近似具有中等维度的多模态复杂后验分布。

    Jan, 2024

  • 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

  • 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

  • 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

  • 基于模拟的一体化推论

    通过使用模型模拟，摊销贝叶斯推理训练神经网络以解决随机推理问题，从而实现对新观察到的任何数据的快速贝叶斯推理。我们提出了一种新的摊销推理方法 ——Simformer，通过训练具有变压器架构的概率扩散模型，克服了当前模拟为基础的摊销推理方法的局限性，且在基准任务上优于当前最先进的摊销推理方法，具有更大的灵活性，可以应用于具有函数值参数的模型，处理具有缺失或非结构化数据的推理场景，并能够采样参数和数据的任意条件联合分布，包括后验和似然函数。我们展示了 Simformer 在生态学、流行病学和神经科学的模拟器上的性能和灵活性，并证明它为基于模拟的模型上的摊销贝叶斯推理打开了新的可能性和应用领域。

    Apr, 2024

  • 灵活的非参数后验采样增强迁移学习

    介绍了非参数迁移学习 (NPTL)，这是一种灵活的后验抽样方法，用于解决非参数学习的上下文中的分布偏移问题。通过大量的实证验证，证明我们的方法在 BMA 性能方面超过了其他基线模型。

    Mar, 2024

  • 基于模拟的堆叠

    使用可证明的渐近保证，我们提出了一种通用的堆叠方法，能够结合多个后验近似，融合密度、模拟抽样、置信区间和矩，同时解决整体精度、校准、覆盖率和偏差的问题。我们通过几个基准模拟和具有挑战性的宇宙学推断任务来说明我们的方法。

    Oct, 2023

  • 利用预调权神经后验估计进行无似然推断

    模拟推理方法及其神经网络算法在处理具有数值模拟可行性但似然函数难以计算的问题中涉及到的后验分布估计。尽管现有方法在处理低维问题时表现出色，但本文提出的先决条件神经后验估计方法通过结合近似贝叶斯计算方法有效地改善了对大参数空间下的模型的后验分布训练精度。

    Apr, 2024

  • 非线性回归模型的近似贝叶斯计算

    介绍了一种基于机器学习的方法，通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度，相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。

    Sep, 2008

  • 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