Oct, 2023

利用可微的覆盖概率校准神经仿真推断

PDF
TL;DR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。
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

  • 基于摊还的贝叶斯决策模拟建模

    该研究利用基于仿真的推断方法解决了如何在随机模拟器上进行贝叶斯决策，并且通过训练神经网络预测期望成本，以推断具有最低成本的行动。

    Dec, 2023

  • 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

  • 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

  • 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

  • 使用神经网络检测摊余贝叶斯推断中的模型错误：一项扩展研究

    在模拟基础推理中，我们研究了模拟程序不准确表示真实系统行为对推理结果的影响，并提出了一种能够可靠检测模型错误规范性的新度量标准。实验证明，这个度量标准对于警示用户可疑输出、当预测结果不可靠时发出警告，并引导模型设计者寻找更好的模拟器具有很大的实用性。

    Jun, 2024

  • 贝叶斯神经网络中基于损失校准的近似推断

    本文提出了一种基于 Bayesian 决策理论的新的、具有损失校准的证据下界来近似贝叶斯神经网络的真实后验分布，该下界依赖于一种效用函数，以确保我们的逼近方法对于具有非对称效用函数的应用程序具有更高的效用。此外，该方法具有与标准 dropout 神经网络相同的目标，但具有额外的依赖于效用函数的惩罚项。

    May, 2018

  • 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

  • 基于归一化流的 SBI 算法验证诊断

    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。

    Nov, 2022

  • 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