基于神经密度估计与主动学习的快速无似然宇宙学
宇宙学与河外天体物理
2019-07-24 v1
摘要
无似然推断提供了一个仅使用正向模拟来执行严格贝叶斯推断的框架，恰当地考虑了所有能成功包含在模拟中的物理与观测效应。宇宙学中无似然应用的关键挑战在于模拟通常代价高昂，即开发能以尽可能少的模拟实现高保真后验推断的方法。密度估计无似然推断（DELFI）方法将推断转化为在一组模拟数据-参数对上的密度估计任务，并相比传统的近似贝叶斯计算无似然方法带来数量级的改进。在本文中，我们使用神经密度估计器（NDEs）从一组模拟数据集中学习似然函数，并利用主动学习在参数空间中最相关的区域即时自适应获取模拟。我们在若干宇宙学案例研究中演示了该方法，表明对于典型问题，高保真后验推断仅需次或更少的模拟即可实现。除了实现高效的基于模拟的推断外，对于似然形式已知的简单问题，DELFI提供了MCMC采样的快速替代方案，在某些情况下实现了数量级加速。最后，我们介绍了\textsc{pydelfi}——一个带有NDEs和主动学习的DELFI灵活公开实现——可在\url{https://github.com/justinalsing/pydelfi}获取。
引用
@article{arxiv.1903.00007,
title = {Fast likelihood-free cosmology with neural density estimators and active learning},
author = {Justin Alsing and Tom Charnock and Stephen Feeney and Benjamin Wandelt},
journal= {arXiv preprint arXiv:1903.00007},
year = {2019}
}
备注
Submitted to MNRAS Feb 2019