基于仿真的推断基准测试

Jan, 2021

Benchmarking Simulation-Based Inference

Jan-Matthis Lueckmann, Jan Boelts, David S. Greenberg, Pedro J. Gonçalves, Jakob H. Macke

TL;DR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。

Abstract

Recent advances in probabilistic modelling have led to a large number of simulation-based inference algorithms which do not require numerical evaluation of likelihoods. However, a public benchmark with appropriat

likelihood-free algorithms probabilistic modelling inference algorithms neural network-based approaches performance metrics

发现论文，激发创造

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

URSABench：深度神经网络近似贝叶斯推断方法的全面基准测试

本研究开发了一个基准测试套件 URSABench，旨在对基于深度学习的分类任务的近似贝叶斯推理方法进行全面评估，解决其存在的不确定性、稳健性和计算规模可扩展性等问题。

Jul, 2020

神经方法实现参数摊销推理

基于模拟的方法对于统计推断发展迅速，过去 50 年随着技术进步，如今它又迎来一次革命，利用神经网络、优化库和图形处理器进行学习数据和推断目标之间复杂映射，从而快速实现推断。本文回顾了最近在点估计、近似贝叶斯推断、自动构建摘要统计以及似然函数近似等方面取得的进展。综述还包括可用的软件，并通过一个简单实例展示了可用于快速推断的工具及其比起最先进的马尔可夫链蒙特卡洛方法所带来的好处。文章最后总结了相关主题，展望了未来的研究方向。

Apr, 2024

标准模型之外的物理研究中高效的概率推理

提出一种新型的概率编程框架，通过跨平台的概率执行协议直接连接到现有的大规模模拟器，允许通用推理引擎以语言无关的方式记录和控制模拟器内的随机数，并通过后验推断的高度可解释性来演示其技术应用于粒子物理学，提升推断效率。

Jul, 2018

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

神经结构化预测的近似推断方法基准测试

比较了使用输出结构梯度下降和神经网络推断两种方法在三个序列标注数据集上的性能，发现使用推断网络的速度和准确度均优于梯度下降法，且在相似精度下较准确的推断速度更快。结论表明，这两种方法的结合有利于提高性能。

Apr, 2019

基于贝叶斯优化的基于模拟器的统计模型无似然推断

研究推断基于模拟器的统计模型，提出了结合概率建模和优化的策略来加速无似然推断方法，实现了对几个数量级所需模拟次数的削减。

Jan, 2015

贝叶斯神经网络推断的不确定性量化质量

本研究通过对 10 种常见的推断方法在回归和分类任务中的预测不确定性估计结果进行实证比较，发现常用的指标可能会导致误导，并表明为了得到高质量的后验逼近并不一定需要具有捕获后验结构的推断创新。

Jun, 2019

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

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。

Feb, 2018

因果推断分析性能评估基准框架

本文介绍了一个综合框架，用于对评估算法进行基准测试，它包括用于预测的未标记数据、用于验证的标记数据以及使用已建立和新颖指标进行算法预测的自动评估的代码，并解决了缩放和数据屏蔽问题。

Feb, 2018