Simulation-based inference using surjective sequential neural likelihood estimation

要約

我々は、尤度関数の評価が難しく、合成データを生成できるシミュレーターしか利用できないモデルにおけるシミュレーションベースの推論のための新しい方法である全射逐次ニューラル尤度 (SSNL) 推定を紹介します。
SSNL は、次元を削減する全射正規化フロー モデルを適合し、それを代理尤度関数として使用します。これにより、マルコフ連鎖モンテカルロ法または変分推論のいずれかを使用した従来のベイズ推論が可能になります。
SSNL は、データを低次元空間に埋め込むことにより、以前の尤度ベースの手法が、たとえば非有益なデータ次元を含む、または低次元多様体に沿った高次元データセットに適用した場合に抱えていたいくつかの問題を解決します。
私たちはさまざまな実験で SSNL を評価し、たとえば太陽ダイナモ モデルを使用して太陽の磁場強度をモデル化する天体物理学の困難な現実世界の例など、シミュレーション ベースの推論で使用される現代の手法よりも一般的に優れていることを示しています。
。

要約(オリジナル)

We present Surjective Sequential Neural Likelihood (SSNL) estimation, a novel method for simulation-based inference in models where the evaluation of the likelihood function is not tractable and only a simulator that can generate synthetic data is available. SSNL fits a dimensionality-reducing surjective normalizing flow model and uses it as a surrogate likelihood function which allows for conventional Bayesian inference using either Markov chain Monte Carlo methods or variational inference. By embedding the data in a low-dimensional space, SSNL solves several issues previous likelihood-based methods had when applied to high-dimensional data sets that, for instance, contain non-informative data dimensions or lie along a lower-dimensional manifold. We evaluate SSNL on a wide variety of experiments and show that it generally outperforms contemporary methods used in simulation-based inference, for instance, on a challenging real-world example from astrophysics which models the magnetic field strength of the sun using a solar dynamo model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google