基于符号化比率估计的昂贵时间序列模拟器免似然摊销推断
机器学习
2022-02-24 v1 机器学习
统计计算
统计方法学
摘要
自然科学与社会科学中复杂动力学的仿真模型通常缺乏易处理的似然函数，使得传统的基于似然的统计推断无法进行。机器学习的最新进展引入了基于二元分类器似然比技巧来估计原本难解似然函数的新型算法。因此，只要能构造良好的概率分类器，就能获得高效的似然近似。我们提出了一种利用基于最近引入的符号核的路径签名处理序列数据的核分类器。我们证明，即使在样本数量极少这一至关重要的情况下，签名的代表性能力也能产生高性能分类器。在此类场景中，我们的方法可优于用于常见后验推断任务的复杂神经网络。
引用
@article{arxiv.2202.11585,
title = {Amortised Likelihood-free Inference for Expensive Time-series Simulators with Signatured Ratio Estimation},
author = {Joel Dyer and Patrick Cannon and Sebastian M Schmon},
journal= {arXiv preprint arXiv:2202.11585},
year = {2022}
}
备注
Accepted for publication at AISTATS 2022