Addressing Misspecification in Simulation-based Inference through Data-driven Calibration

要約

生成モデリングの着実な進歩により、シミュレーションベースの推論 (SBI) により、確率的シミュレーターを介した推論が可能になりました。
しかし、最近の研究により、モデルの仕様の誤りが SBI の信頼性を損なう可能性があることが実証されました。
この研究では、ロバスト事後推定 (ROPE) を導入します。これは、グランド トゥルース パラメーター測定値の小規模な現実世界のキャリブレーション セットを使用してモデルの仕様ミスを克服するフレームワークです。
我々は、現実世界の学習された表現とシミュレートされた観測の間の最適な伝達問題の解決策として、誤った仕様のギャップを形式化します。
対象のパラメータにわたる事前分布が既知であり、十分に指定されていると仮定すると、私たちの方法は、シミュレータのあらゆる誤った仕様の下で、校正された不確実性と有益な推論との間の制御可能なバランスを提供します。
4 つの合成タスクと 2 つの現実世界の問題に関する実証結果は、ROPE がベースラインを上回り、有益で校正された信頼区間を一貫して返すことを示しています。

要約(オリジナル)

Driven by steady progress in generative modeling, simulation-based inference (SBI) has enabled inference over stochastic simulators. However, recent work has demonstrated that model misspecification can harm SBI’s reliability. This work introduces robust posterior estimation (ROPE), a framework that overcomes model misspecification with a small real-world calibration set of ground truth parameter measurements. We formalize the misspecification gap as the solution of an optimal transport problem between learned representations of real-world and simulated observations. Assuming the prior distribution over the parameters of interest is known and well-specified, our method offers a controllable balance between calibrated uncertainty and informative inference under all possible misspecifications of the simulator. Our empirical results on four synthetic tasks and two real-world problems demonstrate that ROPE outperforms baselines and consistently returns informative and calibrated credible intervals.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google