贝叶斯神经网络在宇宙学中的鲁棒性基于仿真的推断
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
引入校准项到神经模型的训练目标中,通过放松经典校准误差公式,我们提出了一种方法来解决现有算法对后验不确定性估计准确性的挑战,该方法适用于现有计算流程,实现可靠的黑盒后验推断,并在六个基准问题上经验证明具有竞争性或更好的结果。
Oct, 2023
本研究提出了一种基于神经网络的 ACE 方法,通过代替可能过于严格的贝叶斯后验分布,使用适应数据的成本函数来进行科学模拟器的仿真推断,从而同时减少了计算成本和提高了精度。
May, 2023
我们首次提出了基于模拟的宇宙学参数的推导方法,通过对星系聚类的场级分析。使用正常化流的模型以及卷积神经网络进行了星系场数据的大量压缩,我们得到了对宇宙学参数的约束,包括了非高斯信息。这项工作不仅提供了强有力的宇宙学约束,还介绍了未来星系调查中利用额外宇宙学信息的新方法。
Oct, 2023
提出了一种通过惩罚那些增加数据和模型之间不匹配度的统计量的正则化损失函数作为一般性方法来处理模型错误规范问题,从而在 SBI 过程中获取稳健的推断结果。
May, 2023
通过揭示权重和函数空间之间的特征关系,我们的研究表明在基于样本的贝叶斯神经网络推理中,成功采样方法是可能的,同时也揭示了超参数化与采样问题困难之间的系统联系。通过广泛实验,我们建立了采样和收敛诊断的实用指南。因此,我们提出了一种贝叶斯深度集成方法,作为一种性能竞争力和不确定性量化的有效解决方案。
Feb, 2024
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