基于高斯过程与GPry的快速鲁棒贝叶斯推断
宇宙学与河外天体物理
2025-03-25 v2 天体物理仪器与方法
统计方法学
机器学习
摘要
我们提出GPry算法，用于对具有中等数量参数的通用（非高斯）后验进行快速贝叶斯推断。GPry不需要任何预训练，也不需要GPU等专用硬件，旨在作为传统蒙特卡洛贝叶斯推断方法的即用型替代方案。我们的算法基于构建对数后验的高斯过程代理模型，并借助支持向量机分类器排除极端或非有限值。主动学习方案使我们能够将所需的后验评估次数相比传统蒙特卡洛推断减少两个数量级。我们的算法允许在最优位置并行评估后验，进一步缩短挂钟时间。我们在主动学习方案及GP先验的定义中利用后验的性质显著提升了性能，特别地，我们考虑了后验在不同维度下预期的动态范围。我们在多个合成与宇宙学实例上测试了我们的模型。当似然（或理论可观测量计算）的评估时间为秒级时，GPry优于传统蒙特卡洛方法；对于超过一分钟的评估时间，它能在数天内完成传统方法需数月才能完成的推断。GPry作为开源Python包发布（pip install gpry），也可在 https://github.com/jonaselgammal/GPry 获取。
引用
@article{arxiv.2211.02045,
title = {Fast and robust Bayesian Inference using Gaussian Processes with GPry},
author = {Jonas El Gammal and Nils Schöneberg and Jesús Torrado and Christian Fidler},
journal= {arXiv preprint arXiv:2211.02045},
year = {2025}
}
备注
39 pages, 13 figures. Submitted to JCAP