新技术的归一化流用于高效的多模态后验估计

研究人员开发了一种使用归一化流进行摊销后验估计的新方法，该方法通过似然加权重要性采样进行训练。该技术可以在高维逆问题中高效地推断理论参数，而无需后验训练样本。研究强调了基分布拓扑的重要性，发现标准的单峰分布无法捕捉断开的模式，导致出现虚假的概率桥接。使用与目标模式基数匹配的高斯混合模型初始化流可以显著提高重建保真度。 AI

影响 该方法可以提高复杂、高维AI模型中参数推断的效率。

排序理由 该集群包含一篇详细介绍摊销推理新技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• B^0\to J/\psi K^0
• Gaussian Mixture Model
• likelihood-weighted importance sampling
• Markov Chain Monte Carlo
• Normalizing Flows
• Rajneil Baruah
• Wolfenstein parameters

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →