PulseAugur
中
实时 10:52:31
English(EN) Don't Cut Corners: How Training Outside the Prior Makes Simulation-Based Inference More Robust

天体物理学研究引入Tailed-Uniform以实现鲁棒的基于仿真的推理

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为Tailed-Uniform的新方法，以提高天体物理学中基于仿真的推理的准确性。该技术涉及使用超出标准均匀先验边界的数据来训练神经网络，有效地用衰减的尾部填充训练集。通过在先验边界附近引入这些额外的模拟，Tailed-Uniform方法有助于神经网络后验估计器学习更准确的近似值，尤其是在边界显著影响参数空间体积的高维场景中。该方法在玩具问题和宇宙学参数推理中都显示出了优势。 AI

影响 增强了复杂科学建模中基于仿真的推理的鲁棒性。

排序理由 详细介绍一种新的基于仿真推理方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

天体物理学研究引入Tailed-Uniform以实现鲁棒的基于仿真的推理

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Chaipat Tirapongprasert, Matthew Ho ·

    莫要偷工减料：如何在先验分布之外进行训练，使基于仿真的推理更具鲁棒性

    arXiv:2608.12470v1 Announce Type: cross Abstract: Large astrophysical simulation campaigns often generate training data by sampling parameters across a Uniform prior box. Due to the proposal's sharp edge, neural posterior estimators struggle to learn accurate approximations near …

相关实体

相关话题