用于似然无关推断的自动后验变换
机器学习
2019-05-21 v1 机器学习
摘要
如何对具有难处理似然的随机模拟器进行贝叶斯推断？近期的一种方法是利用基于神经网络的条件密度估计器，从自适应提议的模拟中学习后验。然而，现有方法局限于较窄的提议分布范围，或需要重要性加权，这可能在实践中限制性能。在此我们提出自动后验变换（APT），一种用于基于模拟推断的新的序贯神经后验估计方法。APT可使用任意动态更新的提议来修正后验估计，并且兼容强大的基于流的密度估计器。它比以往的基于模拟推断技术更灵活、可扩展且高效。APT可直接处理高维时间序列和图像数据，为似然无关推断开辟了新的应用。
引用
@article{arxiv.1905.07488,
title = {Automatic Posterior Transformation for Likelihood-Free Inference},
author = {David S. Greenberg and Marcel Nonnenmacher and Jakob H. Macke},
journal= {arXiv preprint arXiv:1905.07488},
year = {2019}
}