探究模型误设对神经仿真推理的影响
机器学习
2022-09-07 v1 机器学习
统计计算
摘要
得益于神经密度估计的进展，近年来一套能够为随机仿真模型执行灵活、黑盒、近似贝叶斯推理的仿真推理(SBI)方法取得了可观进展。尽管已证明神经 SBI 方法可提供准确后验近似，但确立这些结果的仿真研究仅考虑了正确设定问题——即模型与数据生成过程完全吻合。然而，此类算法在模型误设情况下的行为鲜受关注。本工作中，我们首次全面研究神经 SBI 算法在各种模型误设形式下的行为。我们发现误设可对性能产生深远有害影响。虽探讨了一些缓解策略，但所测方法均无法在所有情况下防止失败。我们得出结论：若要使神经 SBI 算法赖以推导准确的科学结论，需新方法以应对模型误设。
引用
@article{arxiv.2209.01845,
title = {Investigating the Impact of Model Misspecification in Neural Simulation-based Inference},
author = {Patrick Cannon and Daniel Ward and Sebastian M. Schmon},
journal= {arXiv preprint arXiv:2209.01845},
year = {2022}
}