Nov, 2022

基于归一化流的 SBI 算法验证诊断

PDF
TL;DR本文提出基于正则化流（Normalizing Flows，NF）的多维条件（后验）概率密度估计的易于解释的验证诊断方法，并提供了基于局部相容性结果的理论保证。该工作可用于检查、分析和保证估计器的一致行为，并以计算神经科学的上下文中涉及紧密耦合参数的具有挑战性的例子进行说明。
normalizing flowssimulation-based inferencevalidation methodsposterior density estimatorscomputational neuroscience
发现论文，激发创造
  • 利用可微的覆盖概率校准神经仿真推断

    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

  • 基于规范流的改进变分贝叶斯系统演化推断

    本文提出一种名为 VBPI-NF 的变分贝叶斯方法，通过谨慎设计的置换等变变换来处理系统发育模型的非欧几里得分支长度空间，利用正则流提供丰富灵活的分支长度分布，从而显著改进了贝叶斯系统发育推断的实际数据表现。

    Dec, 2020

  • 贝叶斯神经网络在宇宙学中的鲁棒性基于仿真的推断

    使用贝叶斯神经网络框架进行 SBI 的训练，涉及宇宙微波背景的推断，并引入 cosmoSWAG 以缓解数据迁移问题。

    Jul, 2022

  • 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

  • 可扩展仿真推断的流匹配

    提出了流匹配后验概率估计（FMPE）方法，使用连续正则化流实现了基于模拟的推断任务，较于离散流，在保持精度的情况下，提供了更高的灵活性和可伸缩性。在模拟数据集上取得了有竞争力的性能，而在重力波推断任务中，FMPE 方法的训练速度比离散流方法快 30％，且准确度得到了大幅提高。

    May, 2023

  • 基于贝叶斯归一化流的条件密度估计

    本文提出使用正规化流作为灵活的似然模型，以及提出了一种有效的方法来适应复杂分布的条件密度估计问题，其使用贝叶斯框架对这些条件密度估计器进行先驱概率分析，最终将该方法应用于两大数据集的空间密度建模任务上，并在某些情况下获得了最先进的性能。

    Feb, 2018

  • SBI：基于模拟推断的工具包

    文中介绍了一种基于神经网络的 SBI 算法，能够利用科学原理通过黑盒模拟器进行精确推断，并解决了单一最优解的限制，从而实现全参数空间后验分布的估计。

    Jul, 2020

  • 使用基于模拟校准方法验证贝叶斯推断算法

    介绍了一种名为 “基于模拟的校准（SBC）” 的通用过程，可验证使用贝叶斯算法生成后验样本的推断的正确性和一致性，并提供可指示问题性质的图形总结。

    Apr, 2018

  • 高维变分推理的稳定正则流训练

    通过使用软阈值和双射软对数变换方法，本文提出了稳定训练 Real NVPs 并在高维情景下实现更准确的后验近似的方法。

    Feb, 2024

  • 高维数据环境下基于模拟的推断的扩散后验采样

    在非线性模型中，我们提出了一种基于模拟推理和分数网络的方法，利用多个观测值的共享信息来更好地推断模型的参数，并在各种数值实验中证明了其在数值稳定性和计算成本方面的优越性。

    Apr, 2024