Likelihood-Free Inference in State-Space Models with Unknown Dynamics

要約

尤度のない推論 (LFI) は、観測の尤度が利用できない状態空間モデルにうまく適用されていますが、代わりにブラック ボックス シミュレーターによって生成された合成観測を推論に使用できます。
しかし、これまでの研究の多くは、状態遷移ダイナミクスのモデルが事前に定式化でき、シミュレーション予算が無制限である場合に限られていました。
これらの方法では、シミュレーションの計算コストが高く、マルコフの状態遷移ダイナミクスが定義されていない場合、状態推定の問題に対処できません。
この原稿で提案されたアプローチは、遷移ダイナミクスを推定し、シミュレーションの提案として状態予測を使用することにより、限られた数のシミュレーションで状態の LFI を有効にします。
非定常ユーザー モデルを使用した実験では、提案された方法により、状態の推論と予測の両方の精度が大幅に向上することが実証されました。ここでは、状態の LFI に多出力ガウス プロセスが使用され、遷移の代理モデルとしてベイジアン ニューラル ネットワークが使用されます。
ダイナミクス。

要約(オリジナル)

Likelihood-free inference (LFI) has been successfully applied to state-space models, where the likelihood of observations is not available but synthetic observations generated by a black-box simulator can be used for inference instead. However, much of the research up to now have been restricted to cases, in which a model of state transition dynamics can be formulated in advance and the simulation budget is unrestricted. These methods fail to address the problem of state inference when simulations are computationally expensive and the Markovian state transition dynamics are undefined. The approach proposed in this manuscript enables LFI of states with a limited number of simulations by estimating the transition dynamics, and using state predictions as proposals for simulations. In the experiments with non-stationary user models, the proposed method demonstrates significant improvement in accuracy for both state inference and prediction, where a multi-output Gaussian process is used for LFI of states, and a Bayesian Neural Network as a surrogate model of transition dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google