Rare Event Probability Learning by Normalizing Flows

要約

まれなイベントは、発生確率が低いことによって定義されます。
このような小さな確率を正確に推定することは、さまざまな領域にわたって最も重要です。
従来のモンテカルロ法は非効率的であり、信頼性の高い推定値を得るには膨大な数のサンプルが必要です。
正規化フローの正確なサンプリング機能に触発されて、私たちはこの課題を再考し、NOFIS と呼ばれる正規化フロー支援重要度サンプリングを提案します。
NOFIS はまず、KL 発散損失を最小限に抑えることで、事前定義されたネストされたサブセット イベントに関連付けられた一連の提案分布を学習します。
次に、最後の提案と組み合わせて重要度サンプリングを利用して、まれな事象の確率を推定します。
当社の NOFIS メソッドの有効性は、学習された提案分布の最適性を確認する包括的な定性的視覚化と、ベースライン アプローチに対する NOFIS の優位性を強調する 10 ドルの個別のテスト ケースを含む一連の定量的実験によって実証されています。

要約(オリジナル)

A rare event is defined by a low probability of occurrence. Accurate estimation of such small probabilities is of utmost importance across diverse domains. Conventional Monte Carlo methods are inefficient, demanding an exorbitant number of samples to achieve reliable estimates. Inspired by the exact sampling capabilities of normalizing flows, we revisit this challenge and propose normalizing flow assisted importance sampling, termed NOFIS. NOFIS first learns a sequence of proposal distributions associated with predefined nested subset events by minimizing KL divergence losses. Next, it estimates the rare event probability by utilizing importance sampling in conjunction with the last proposal. The efficacy of our NOFIS method is substantiated through comprehensive qualitative visualizations, affirming the optimality of the learned proposal distribution, as well as a series of quantitative experiments encompassing $10$ distinct test cases, which highlight NOFIS’s superiority over baseline approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google