Causal Posterior Estimation

要約

シミュレーターモデルにおけるベイジアン推論の新しい方法である因果後推定（CPE）、つまり、尤度関数の評価が扱いにくい、または計算高すぎるが、パラメーター値を与えられたモデル出力をシミュレートできるモデルを提示します。
CPEは、モデルのグラフィカルな表現によってニューラルネットワークへのグラフィカルな表現によって誘導される条件付き依存構造を慎重に組み込む後方分布の正規化フローベース（NF）近似を利用します。
これにより、近似の精度を改善することができます。
CPEに個別のNFアーキテクチャと連続NFアーキテクチャの両方を導入し、離散NFSのようにサンプルをO（1）に描画する計算の複雑さを減らす連続ケースの一定時間サンプリング手順を提案します。
広範な実験的評価を通じて、グラフィカルモデルによって誘導される条件付き依存性をニューラルネットワークに直接組み込むことにより、データからそれらを学習するのではなく、CPEがフィールドのアートの状態をアウトパフォームまたは照合する非常に正確な事後推論を実行できることを示しています。

要約(オリジナル)

We present Causal Posterior Estimation (CPE), a novel method for Bayesian inference in simulator models, i.e., models where the evaluation of the likelihood function is intractable or too computationally expensive, but where one can simulate model outputs given parameter values. CPE utilizes a normalizing flow-based (NF) approximation to the posterior distribution which carefully incorporates the conditional dependence structure induced by the graphical representation of the model into the neural network. Thereby it is possible to improve the accuracy of the approximation. We introduce both discrete and continuous NF architectures for CPE and propose a constant-time sampling procedure for the continuous case which reduces the computational complexity of drawing samples to O(1) as for discrete NFs. We show, through an extensive experimental evaluation, that by incorporating the conditional dependencies induced by the graphical model directly into the neural network, rather than learning them from data, CPE is able to conduct highly accurate posterior inference either outperforming or matching the state of the art in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google