基于无标签数据的信息保护域迁移：模拟基准推断中的模型指定问题
机器学习
2026-05-18 v2
摘要
模拟基准推断（SBI）通过无需显式求解似然函数的方式，对仿真生成数据进行高斯贝叶斯参数推断。其可靠性在模型指定不足时可能恶化，即现实观测数据并不适合用于训练的仿真模型。现有方法使用无标签的现实数据往往仅对齐仿真与现实数据分布，但仅进行边际对齐并不直接保留后验推断所需的参数相关信息。我们提出SPIN框架，采用参数相关信息保护的域迁移方法，处理无标签且无配对的现实观测数据。在训练期间，SPIN将带标签的仿真观测数据向现实域迁移，再迁回仿真域，利用原始仿真标签鼓励域迁移过程保留参数相关的互信息。在测试阶段，所学得的从现实到仿真的传输图可将现实观测数据映射到仿真域，以进行后验推断，无需现实参数标签或配对的现实-仿真观测数据。在受控的合成基准和实际物理基准上测试，SPIN显著改善了现实数据的后验推断，且随着指定不足程度的增加，改进效果更为明显。
引用
@article{arxiv.2605.05652,
title = {Information-Preserving Domain Transfer with Unlabeled Data in Misspecified Simulation-Based Inference},
author = {Joon Jang and Eunho Jeong and Kyu Sung Choi and Hyeonjin Kim},
journal= {arXiv preprint arXiv:2605.05652},
year = {2026}
}