- 隐含 HMM 的神经有效样本似然自由贝叶斯推断
提出了一种新的、样本高效的无似然推断方法,用于估计隐式隐藏状态的高维度后验分布,通过利用马尔可夫性质,直接学习不可行的隐藏状态的后验分布,其在评估隐式 HMM 时,估计结果的质量与使用计算成本更高的 SMC 算法相当。
- 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 - 鲁棒优化蒙特卡罗的可扩展 Python 实现
利用 Python 软件包 ELFI 实现的、前瞻性的高度并行化的 Robust Optimisation Monte Carlo(ROMC)似然无关推断(LFI)框架,用于从后验中提供准确的加权样本,可被科学家用作即插即用的 LFI 算法 - 基于核心的测试用于无似然假设检验
在这项工作中,我们介绍了一种推广的情况,其中未标记的样本来自两类的混合物,研究了在最大均值差异(MMD)分离条件下非参数密度类的极小样本复杂性,并且通过用神经网络参数化的核函数在两个任务上进行了实证性能研究,即在探测希格斯玻色子和检测植入的 - 区分性校准
本文提出了一种使用分类方法代替 SBC 进行 Bayesian 计算的方法,该方法利用学习的测试统计量,通常具有比 SBC 更高的统计功率和可解释的误差度量,并可用于不同数据生成过程的似然函数自由推理或传统的推理方法,例如马尔可夫链蒙特卡罗 - MM基于星系的鲁棒场级别无似然推断
使用图神经网络,在包含三维位置和速度的星系目录中对宇宙学参数进行可靠推断,并在各种宇宙和天体物理参数的变化范围内进行测试和验证。
- ICML无似然贝叶斯优化的通用配方
提出了一种基于无似然推断的方法(LFBO),通过直接建模采集功能而不必单独执行概率替代模型上的推断,使 BO 扩展到更广泛的模型和实用程序类别,通过适当地选择实用程序函数(EI),LFBO 在几个实际最优化问题上优于各种最先进的黑匣子优化方 - ICML带有领域专家的近似贝叶斯计算
本文介绍了一种面向主动学习的 ABC 统计量选择方法,可减少领域专家的工作量,并在预算有限的情况下获得更好的后验估计。
- ICLR黑盒优化与无似然推断的统一
本文提出将无似然推断和黑盒优化统一到一个概率框架下的构造方法,以此为基础构建序列设计方法,并提出新的概率黑盒优化算法,通过序列设计应用的广泛实验表明该方法的优势。
- 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。
- 快速反演 “无似然” 的动力系统的可微似然
通过应用高斯 ODE 滤波器构建局部高斯似然概率近似,将其插入现有的基于梯度的优化和抽样方法中,为 ODE 反问题设计了新的求解器,优于标准的无似然方法。
- 神经密度估计和无似然推断
本文探讨了机器学习和统计学中的两个问题:密度估计和无似然推断,结合深度学习中新方法,提出了有效解决方案。
- 自动后验转换用于无似然推断
提出了一种新的基于神经网络的自适应后验变换方法,APT 可以用任意动态更新的提议来修改后验估计,采用流形密度估计器,具有更高的灵活性、可伸缩性和效率,并能直接处理高维时间序列和图像数据,并可开展无似然推断。
- 利用神经密度估计器和主动学习的快速无似然宇宙学
本文使用神经密度估计器学习来自一组模拟数据集的似然函数,以及实时学习以适应性地获取最相关的参数空间区域的仿真,以展示 DELFI 在宇宙学案例研究中的应用。
- 改进交叉熵估计器的无似然推断
通过利用神经网络作为概率无关推断的代理模型,使用隐式生成模型或模拟器提供的联合概率比和联合得分来增强这些代理模型的训练数据,提出了一种新的交叉熵估计器,与之前利用增强训练数据的损失函数相比,该估计器提供了更好的样本效率。
- 信息最大化神经网络进行自动物理推理
介绍了一种基于机器学习技术的信息最大化神经网络 (IMNN) 方法,可以自动找到最佳的非线性数据压缩摘要来近似完整的数据信息,从而实现精准且高效的宇宙学参数估计。
- 宇宙学中高度可扩展并无需似然函数的海量数据最优压缩与密度估计
本文提出了一种用于没有解析似然函数的宇宙学工具的似然免费推断方法,它包括使用大规模渐近最优数据压缩来将数据空间的维度降低到仅每个参数的一个数字,并使用密度估计似然免费推断方法在宇宙学中首次应用于参数化数据和参数的联合分布的建模,此方法可同时 - NIPS神经动力学机理模型的灵活统计推断
本文提出了使用近似贝叶斯计算法 (ABC) 和神经网络来解决单个神经元动态机制模型的建立和参数估计中的挑战,旨在为神经科学家提供一种能够在复杂神经元模型上进行贝叶斯推断的方法。
- 基于对抗变分优化的不可微模拟器优化
引入 Adversarial Variational Optimization 来解决计算机模拟器密度函数难以处理的问题,学习提议分布以最小化合成数据的边缘分布和实际数据经验分布之间的差异,适用于离散数据和连续数据的模拟器。
- NIPS对抗消息传递用于图形模型
本文提出了将生成式对抗网络(GANs)视为隐式模型的一种方法,基于生成器和判别器的相互作用弱化了显式的似然值评估,从而在有向无环图的结构模型中实现了贝叶斯后验推理和模型学习。