PulseAugur
中
实时 09:10:24
English(EN) A Convex Approximation Framework for Neural Likelihood-Based Bayesian Inverse Problems

新框架增强了复杂贝叶斯问题的神经似然近似能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种用于贝叶斯逆问题中神经似然近似的新框架，解决了复杂科学和工程模型带来的挑战。该方法通过最小化 Kullback-Leibler 散度来训练似然代理模型，这等同于最小化预期的负对数似然。所提出的方法通过允许非归一化势函数来改进理论基础，使学习问题严格凸化，并确保经验最小化器在数据充足时收敛到真实似然。该框架已成功应用于去模糊和基于非线性 PDE 的成像问题。 AI

影响 通过提高机器学习处理复杂数据生成过程的能力，这项研究可能在科学和工程领域实现更准确的建模。

排序理由 该集群包含一篇学术论文，详细介绍了机器学习技术的新理论框架和实验结果。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新框架增强了复杂贝叶斯问题的神经似然近似能力

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Fabian Schneider, Tapio Helin, Leila Taghizadeh ·

    神经似然基贝叶斯逆问题的凸近似框架

    arXiv:2607.06252v1 Announce Type: new Abstract: Many problems in science and engineering are difficult to model accurately, either due to unknown physical mechanisms, poorly quantified measurement uncertainty, or prohibitive computational costs of high-fidelity simulations. These…

  2. arXiv stat.ML TIER_1 English(EN) · Leila Taghizadeh ·

    面向神经似然贝叶斯逆问题的凸近似框架

    Many problems in science and engineering are difficult to model accurately, either due to unknown physical mechanisms, poorly quantified measurement uncertainty, or prohibitive computational costs of high-fidelity simulations. These challenges limit the applicability of classical…

相关实体

相关话题