Amortized Bayesian Workflow (Extended Abstract)

要約

ベイズ推論は、計算速度とサンプリング精度の間のトレードオフに直面することがよくあります。
私たちは、多くの観測データセットに対して推論を実行する際に速度と精度の両方を達成するために、迅速な償却推論をゴールドスタンダードの MCMC 手法と統合する適応型ワークフローを提案します。
私たちのアプローチでは、原則に基づいた診断を使用して各データセットの推論方法の選択をガイドし、必要に応じて高速償却サンプリングから低速だが精度が保証された MCMC までパレート フロントに沿って移動します。
ステップ全体で計算を再利用することにより、ワークフローは償却推論と MCMC ベースの推論の間に相乗効果を生み出します。
1,000 個の観測データセットを使用した一般化された極値タスクに対するこの統合アプローチの有効性を実証し、高い事後品質を維持しながら 90 倍の時間効率の向上を示しました。

要約(オリジナル)

Bayesian inference often faces a trade-off between computational speed and sampling accuracy. We propose an adaptive workflow that integrates rapid amortized inference with gold-standard MCMC techniques to achieve both speed and accuracy when performing inference on many observed datasets. Our approach uses principled diagnostics to guide the choice of inference method for each dataset, moving along the Pareto front from fast amortized sampling to slower but guaranteed-accurate MCMC when necessary. By reusing computations across steps, our workflow creates synergies between amortized and MCMC-based inference. We demonstrate the effectiveness of this integrated approach on a generalized extreme value task with 1000 observed data sets, showing 90x time efficiency gains while maintaining high posterior quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google