Simulation-Based Inference
PulseAugur coverage of Simulation-Based Inference — every cluster mentioning Simulation-Based Inference across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
Product Monte Carlo算法简化了贝叶斯计算
研究人员推出了一种名为Product Monte Carlo (PMC) 的新算法，旨在计算密度乘积下的期望。该方法通过将问题转化为回归任务，解决了大规模贝叶斯计算、联邦学习和意见汇总中的挑战。PMC能够进行准确的估计、可靠的不确定性量化，并具有高效的可扩展性，即使在密度评估不可行的情况下也能实现，这一点已在涉及蛋白质图像的应用中得到证明。
-
新方法使用 Stein 位移场估计密度比
研究人员开发了一种新颖的密度比估计方法，将对数比建模为位移场的 Stein 算子。该方法将分布变化的统计和动力学描述整合到一个凸优化问题中。提出的前推和后拉算法无需重新训练即可进行模型更新和采样器校正，并且可以逐层拟合变换模型。
-
复杂模拟模型似然近似的新视角
研究人员提出了一种利用聚合归一化流链对复杂模拟模型进行似然近似的新视角。该方法旨在促进可扩展的数据分析、高效的参数探索以及用于假设检验和不确定性量化的稳健统计处理。所提出的方法涉及顺序估计双射变换集参数，利用信息论形式化和顺序决策范式来更新和聚合这些参数。
-
新的Spectra方法可将AI推理模型适配到更新的先验信息
研究人员开发了Spectra，一种用于在测试时将基于仿真的推理（SBI）模型适配到新的先验分布的新颖方法。该技术在最近的一篇arXiv论文中进行了详细介绍，它利用精确的分数传输恒等式来修改冻结的扩散模型，而无需额外的模拟或重新训练。Spectra已在六个SBI基准测试中证明了准确的适配能力，即使在先验信息发生显著变化的情况下，采样成本也很低。这一进展使得预训练的SBI模型能够有效地整合更新的先验信息，增强了其在科学分析中的灵活性。
-
新的贝叶斯推断方法改进了复杂模型的基于仿真的校准
研究人员开发了用于具有难解似然但可处理前向模拟的模型的新型模拟贝叶斯推断（SBI）方法。第一项贡献引入了一种顺序程序，使用渐进局部化、数据驱动的条件密度近似作为提议分布，最后通过重要性采样步骤校正后验分布。第二项贡献是局部模拟校准（SBC），它通过拟合和重用伪观测值之间的局部代理模型和比率估计器，以低计算成本探测比后验更广泛邻域的校准。这些方法在三个案例研究中进行了评估，包括一个流行病学应用。
-
新方法通过不确定性量化校准海洋模型
研究人员开发了一种使用基于仿真的推理（SBI）来校准单柱海洋模型的新方法。该方法通过量化参数估计相关的不确定性，解决了先前方法的局限性，这在逆问题适定性差时至关重要。该研究将SBI应用于基于JAX的`tunax`海洋模型，以校准其k-epsilon闭合的系数，并利用分块主成分分析来压缩模拟器输出，使推理变得可行。
-
新的模拟方法利用BCG信号改进心血管生物标志物估算
研究人员开发了一种基于模拟的推理方法，利用无创生物信号来估算心血管生物标志物。通过采用全身心血管循环模型，他们生成了合成的光电容积脉搏波（PPG）、动脉压力波（APW）和心音图（BCG）信号。他们的研究结果表明，即使在仅使用PPG和APW信号结果不明确的情况下，纳入BCG信号也能显著提高心血管生物标志物估算的准确性和可靠性。
-
新框架通过密度比率估计增强了基于仿真的推理
研究人员开发了一个新的基于仿真的推理（SBI）框架，该框架解决了现有摊销生成模型的局限性，这些模型通常受限于训练期间使用的特定先验知识。这种新颖的方法利用密度比率估计（DRE）来学习无偏的评分指导项，从而能够灵活地处理不断变化的先验知识，而不会产生系统性偏差。实验表明，该方法在各种任务中与现有技术相当或优于现有技术，即使在训练先验和目标先验之间的重叠有限的情况下也表现出鲁棒性，并且在行星光变曲线数据的贝叶斯更新中被证明是有效的。
-
新AI方法从RIXS光谱数据中推断哈密顿量参数
研究人员应用了基于仿真的推理，利用视觉Transformer编码器来分析共振非弹性X射线散射（RIXS）光谱数据。这种新颖的方法有效地约束了先验并估计了联合密度，从而能够推断Ni$^{2+}$化合物NiPS$_3$和K$_2$NiF$_4$的哈密顿量参数的完整后验分布。该方法成功地恢复了参数相关性，并准确匹配了观测到的光谱，解锁了新的分析能力，如干扰项边缘化不确定性量化和多测量后验融合。
-
新的SBI-BOED方法优化推理和实验设计
一篇新研究论文介绍了一种连接基于仿真推理（SBI）和贝叶斯最优实验设计（BOED）的方法。这种方法被称为SBI-BOED，利用互信息界限同时优化实验设计和摊销推理函数。该论文在流行病学和生物学领域的真实模拟器中，展示了该方法在复杂科学模型中的效用，并显示出推理精度的显著提高。
-
LLM辅助的贝叶斯代理加速机械世界模型发现
研究人员开发了一种模型发现代理（MDA），它使用大型语言模型（LLM）来辅助贝叶斯实验设计，从而高效地发现机械世界模型。MDA将LLM提议器与贝叶斯机制相结合，包括用于后验的序贯蒙特卡洛、用于难解似然的基于仿真的推理以及用于实验设计的价值信息。这种方法允许MDA在干预最少的情况下识别潜在的机械世界模型，即使真实模型不在初始假设类别之外。该系统在物理学、化学和生物学领域的基准测试中展示了在数据高效模型学习和可靠干预预测方面的最先进性能。
-
LLM驱动的代理设计实验以高效发现机制世界模型
研究人员开发了模型发现代理（MDA），这是一个LLM辅助系统，旨在通过贝叶斯实验设计高效发现机制世界模型。MDA将用于提出模型结构的语言大模型与顺序蒙特卡洛和基于仿真的推理等贝叶斯方法相结合，从有限的干预中学习因果模型。该系统旨在处理真实模型超出当前假设类别的情况，标记不充分并用新模型扩展假设空间。MDA在物理、化学和生物学基准测试中，在数据高效模型学习和预测方面展现了最先进的性能。
-
新方法使用神经网络增强用于推理的哈密顿蒙特卡洛方法
研究人员推出了一种名为 Neural Surrogate HMC 的新方法，该方法将神经网络似然估计与基于仿真的推理的哈密顿蒙特卡洛方法相结合。该方法利用神经网络来近似似然函数，在摊销计算、为哈密顿蒙特卡洛提供梯度以及平滑嘈杂的模拟结果方面具有优势。该方法已成功应用于模拟太阳风层中银河宇宙射线的传输，从而能够高效地推断 Parker 方程中的潜在参数。
-
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SBI框架应对高维数据中的系统不确定性
研究人员开发了一个新的基于仿真的推断（SBI）框架，旨在应对高维数据分析中剖析系统不确定性的计算挑战。这种新颖的方法利用可因子化的归一化流将系统变化建模为参数变形，保留复杂的关联并避免组合爆炸。摊销训练策略使该框架能够有效地学习条件依赖性，而泊松自举集成则提供了全面的不确定性预算。该方法已在合成数据集上得到验证，证明了其将严格的无箱似然测量扩展到微分分布以及统一高能物理中各种分析任务的潜力。
-
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。
-
深度神经网络方法增强粒子物理推断
arXiv上的一篇新论文介绍了一种基于模拟的推断（SBI）方法，用于估计粒子物理学中的共振参数，特别是rho(770)共振。与传统的卡方最小化方法相比，这种深度神经网络驱动的方法在处理模型误设时表现出更高的准确性。该研究强调了SBI在预测极点位置方面的鲁棒性，这对于理解各种当代物理系统至关重要。
-
新研究探索AI采样中Langevin动力学的理论指导
研究人员发布了关于组合式基于仿真的推理中退火Langevin动力学的理论指导，旨在通过提供超参数的明确决策规则来提高采样精度。另一篇论文通过大偏差理论为加速Langevin蒙特卡洛采样变体提供了一种统一的研究方法。第三项研究分析了预处理退火Langevin动力学（特别是针对多模态高斯混合模型）的维度均匀离散化，并展示了不同的离散化方案如何影响稳定性和准确性。
-
新方法提高神经似然代理训练效率
研究人员开发了一种新方法，以提高随机过程模型神经似然代理训练的效率。通过将标准损失函数与精确分数信息和自适应加权相结合，该方法显著降低了参数推断相关的计算成本。该技术展示了改进的代理质量，并且在仅略微增加训练时间的情况下，可以实现与训练数据增加十倍相当的性能。