Neural Posterior Estimation
PulseAugur coverage of Neural Posterior Estimation — every cluster mentioning Neural Posterior Estimation across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新论文介绍用于科学推断的模拟基经验贝叶斯
两篇新论文介绍了模拟基经验贝叶斯（SBEB），这是一种在似然仅可通过模拟器获得的条件下，对相关潜在变量进行同步推断的方法。第一篇论文《模拟基经验贝叶斯》通过使用观测数据、模拟器样本和摊销推断网络，详细介绍了SBEB在没有显式密度的情况下计算EB估计值的方法。第二篇论文《机器学习中的贝叶斯和频率派模拟基推断简介》概述了基于机器学习的SBI的贝叶斯和频率派框架，并重点介绍了它们在参数估计、经验贝叶斯和展开任务中的应用。
-
新的神经网络方法用于推断引力透镜剪切
研究人员开发了一种名为神经后验估计（NPE）的新方法，用于从天文图像中推断弱引力透镜剪切。该方法使用深度神经网络直接将模拟图像映射到可能的剪切值分布，将星系检测、测量和校准整合到一个步骤中。实验表明，即使存在诸如星系混合和探测器伪影等复杂的观测效应，NPE也能准确估计剪切分量，为传统流程提供了一种有前景的替代方案。
-
基于仿真的推断为流行病学模型提供更快的贝叶斯校准
一篇新研究论文提出，使用基于仿真的推断（SBI）作为马尔可夫链蒙特卡洛（MCMC）的更快、更有效的替代方法，用于校准流行病学模型。该研究使用了来自德国的COVID-19 ICU占用数据，发现SBI可以在显著更短的时间内获得与MCMC相当的结果，将某些推断任务的计算运行时间从数千秒缩短到不到一分钟。这种效率使得SBI成为实时疫情分析和重复预测的有前途的工具。
-
机器学习通过JWST和Ariel数据彻底改变系外行星探测
一篇新的综述文章详细介绍了机器学习和深度学习技术在系外行星探测和大气表征中的整合应用，这得益于詹姆斯·韦伯太空望远镜和即将进行的Ariel任务的进步。该文章综合了将随机森林、卷积神经网络、Transformer以及现代基于仿真的推理等方法应用于分析这些任务产生的海量数据集的进展。结果表明，深度学习方法在速度和准确性上与传统流程相匹配或超越，显著缩短了大气反演的推理时间。
-
神经网络加速流行病模型分析
研究人员开发了一种名为神经后验估计（NPE）的新方法，用于使用最终结果数据分析随机流行病模型。该技术首次应用于SIR模型，利用神经网络来近似后验分布，提供了比MCMC和ABC等传统方法更快的替代方案。NPE方法在各种人口规模和传播情景下都显示出准确性，甚至能泛化到未见过的数据结构。
-
新方法增强了混合离散-连续模型的AI参数推断
研究人员开发了一种新的神经网络后验估计（NPE）方法，该方法可以处理具有混合离散和连续参数的模拟器。这种方法将通常假设连续参数的NPE扩展到同时处理这两种类型的科学模型。新的推断网络联合建模离散和连续参数，在各种模拟中实现了准确且校准良好的后验近似。