利用预调权神经后验估计进行无似然推断
SNPE-B 是一种用于模拟为基础模型的顺序神经后验估计技术,本文提出了改进的方法,包括使用自适应校准核的集中损失函数和方差降低技术,以提高数据效率并加快学习过程。实验结果表明,我们的方法在某些任务上表现优于原始方法和其他竞争方法。
Nov, 2023
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
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
在天文学中,为了解决神经后验估计方法的三个关键问题,我们引入了一个新的框架和开源软件 nbi(神经贝叶斯推断),该框架支持自动化和序列化的神经后验估计方法,并提供了内置的自动化网络和修改后的算法 SNPE-IS,从而实现了光曲线和光谱等天文推断问题的快速应用。
Dec, 2023
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
基于模拟的推断(SBI)不断寻找更具表现力的算法,以准确地从嘈杂的数据中推断出复杂模型的参数。我们提出了神经后验估计的一致性模型(CMPE),这是一种用于可扩展、快速和分摊的 SBI 的新型无限制条件采样器,具有生成式神经网络。CMPE 将正态流和流匹配方法的优点融合到一个单一的生成式架构中:它本质上提炼出一个连续概率流,并能够通过一个未受限制的架构进行快速的少样本推断,以适应估计问题的结构。我们的实证评估证明,CMPE 不仅在三个困难的低维问题上优于当前最先进的算法,而且在高维贝叶斯去噪实验和对计算要求严格的肿瘤球体生长的多尺度模型估计中也取得了竞争性的性能。
Dec, 2023
我们提出了基于神经量位估计(NQE)的一种新型基于模拟的推断(SBI)方法,它基于条件分位数回归。NQE 通过对数据和先前后验维度进行条件分位数自回归学习,为每个后验维度单独学习一维分位数。使用单调立方 Hermite 样条通过插值预测的分位数,获得后验样本,对尾部行为和多峰分布有特别处理。我们引入了基于局部累积密度函数(CDF)的贝叶斯置信区间的替代定义,相对于传统的最高后验密度区域(HPDR)提供了大大更快的评估速度。在受限的模拟预算和 / 或已知的模型误设情况下,可以将后处理扩大步骤集成到 NQE 中,以确保后验估计的无偏性,并且附加的计算成本可以忽略不计。我们证明了所提出的 NQE 方法在各种基准问题上实现了最先进的性能。
Jan, 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