Nov, 2023

直接摊销似然比估计

PDF
TL;DR我们引入了一种新的摊销似然比估计器，用于无似然模拟推理（SBI），引入了一种称为直接神经比率估计器（DNRE）的模型，对先前的方法进行了改进，并在文献中与其他估计器进行了比较，同时实现了一个新的导数估计器，使得我们可以比较无似然哈密顿蒙特卡洛（HMC）和随机行走 Metropolis-Hastings（MH），最后我们通过使用神经比率估计器设计四旋翼飞行器展示了该方法的现实应用。
likelihood-free simulation-based inferenceneural ratio estimatormonte carlo estimatehamiltonian monte carloquadcopter design
发现论文，激发创造
  • 无似然马尔可夫蒙特卡洛与分摊的近似比率估计器

    该研究提出了一种解决在科学领域中使用高级计算机模拟时出现的后验推断问题的新方法，这种方法使用学习的灵活的摊销估计量来近似似然 - 证据比率，并可以嵌入 MCMC 采样器中以从难以处理的后验中获得样本。

    Mar, 2019

  • 近似似然比：增强神经网络训练的正向唯一和并行框架

    通过利用自然的并行性和高性能训练策略，介绍了似然比方法在神经网络训练中的潜力及其逼近技术在梯度估计中的有效性。

    Mar, 2024

  • 训练神经网络进行似然 / 密度比估计

    本文介绍了一种基于神经网络和优化方法的似然比函数估计的方法，可用于工程和统计领域中的检测和假设检验问题。

    Nov, 2019

  • 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

  • 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

  • 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

  • 实时无似然推断罗马二进制微引力透镜事件的摊销神经后验估计

    使用一种名为分期付款的神经振幅估计的无似然推断方法，为 Roman Space Space 望远镜观测到的二进制透镜微引力波事件提供实时和自动的推断。

    Feb, 2021

  • 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

  • 使用经过校准的判别性分类器来逼近似然比

    本文提出了一种基于机器学习和降维的新方法，用于进行无似然推断，不需要事先了解模型参数的先验分布。

    Jun, 2015

  • 伪似然推断

    通过将神经近似引入 ABC 中，我们提出了伪似然推理 (Pseudo-Likelihood Inference, PLI) 方法，使其在具有挑战性的贝叶斯系统识别任务中具有竞争力，并且相比于 SNPE，在更多数据可用时表现出更好的性能。

    Nov, 2023