Oct, 2023

利用自一致性进行数据高效分期贝叶斯推断

PDF
TL;DR提出一种方法，通过利用概率联合模型 $p (heta, y)$ 中的通用对称性，提高摊销贝叶斯推理 (ABI) 的效率和准确性。通过对联合模型的近似表示，根据逆向贝叶斯定理估计边缘似然，并将对称性破坏作为损失函数来加速条件神经密度估计器的学习动态。将该方法应用于具有显式似然函数 (基于似然) 的双峰玩具问题和具有隐式似然函数 (基于模拟) 的现实模型。
amortized bayesian inferenceuniversal symmetriesprobabilistic joint modelmarginal likelihoodconditional neural density estimators
发现论文，激发创造
  • 敏感度感知的摊还贝叶斯推断

    我们提出了一种综合多角度的方法，将敏感性分析集成到摊销的贝叶斯推理中，并在应用建模问题中展示了其有效性。

    Oct, 2023

  • 摊销贝叶斯推断的对抗鲁棒性

    研究了 Bayesian 推断中一种新的方法 —— 摊销贝叶斯推断的鲁棒性，提出了一种基于 Fisher 信息的正则化方案，实验结果表明该方案可以提高模型对干扰攻击的抵抗力。

    May, 2023

  • 学习如何解决贝叶斯反问题：一种分摊变分推断方法

    本文提出了一种基于深度神经网络参数化的先验分布方法，通过学习贝叶斯逆映射实现了实时推理。经过基准问题的验证，该方法的后验估计与马尔可夫链蒙特卡罗方法的对应结果一致，并在前向传递神经网络的代价下提供了观测的后验参数。

    May, 2023

  • 通过摊销费用估算实现科学模拟器的一般化贝叶斯推断

    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

  • 利用基于梯度的摘要统计信息改善摊余后验近似

    通过交替生成和训练条件生成模型，本研究设计出一种迭代框架来提高基于贝叶斯逆问题的后验分布的分析逼近，从而实现迭代改善逼近效果的自动化过程，并检验了在人脑超声成像中的应用情况。

    May, 2023

  • 共享弱化变分推理的元学习

    提出了一种新的摊销变分推断方案来处理实证贝叶斯元学习模型，使用变分自编码器方法在有限的训练数据上学习模型参数的先验分布，我们的框架建议在模型参数的条件先验和变分后验分布之间共享相同的摊销推断网络，相比于 Monte-Carlo 近似的早期工作，我们的变分方法避免了条件先验的崩溃并保留了模型参数的不确定性，并在 miniImageNet、CIFAR-FS 和 FC100 数据集上进行了评估，证明了它比以前的方法具有更好的性能。

    Aug, 2020

  • 优化无似然推断：利用自监督神经对称嵌入

    通过优化无似然推断，利用自监督学习以及物理问题中的对称性数据增强，通过联合嵌入学习物理对称性（如时间平移），进而使用归一流在参数条件之前利用嵌入网络总结数据进行参数推断，相比不使用预训练对称性感知表示的归一流，本文在两个简单物理问题中展示了更快的收敛速度和更少的参数数量。

    Dec, 2023

  • ASPIRE：基于迭代的摊销后验推理方法用于贝叶斯反问题

    AMORTIZED 模式的后验推理的 ASPIRE 方法，基于物理和迭代重构的总结统计量，是一种计算高效且高保真度的方法。

    May, 2024

  • 基于模型错误假定的仿真推断鲁棒统计学习

    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

  • 利用对称性在贝叶斯神经网络中实现有效的 MCMC 采样

    本研究旨在推广利用深度神经网络中的对称性，在保证不影响功能输出的前提下优化贝叶斯推断过程，并进一步给出适当的蒙特卡罗采样次数的上限来捕捉功能多样性，最终成功实现高效的贝叶斯不确定性量化。

    Apr, 2023