L-C2ST：基于模拟推断中后验近似的局部诊断方法
机器学习
2023-10-11 v2 人工智能
机器学习
神经元与认知
摘要
许多近期基于模拟推断（SBI）的工作依赖深度生成模型来近似复杂、高维的后验分布。然而，评估这些近似是否可信仍具挑战。大多数方法仅在观测空间上取期望来评估后验估计器。这限制了其可解释性，且不足以识别哪些观测下的近似可信或应被改进。基于著名的分类器双样本检验（C2ST），我们引入L-C2ST，一种可在任意给定观测下对后验估计器进行局部评估的新方法。它提供理论可靠且易于解释（如图示）的诊断，并且与C2ST不同，不需要访问真实后验的样本。在基于归一化流的后验估计器情况下，L-C2ST可特化以提供更优的统计功效，同时计算更高效。在标准SBI基准上，L-C2ST提供与C2ST相当的结果，并优于基于最高预测密度（HPD）的覆盖检验等替代局部方法。我们进一步在计算神经科学的一个挑战性应用上凸显了局部评估的重要性和L-C2ST可解释性的益处。
引用
@article{arxiv.2306.03580,
title = {L-C2ST: Local Diagnostics for Posterior Approximations in Simulation-Based Inference},
author = {Julia Linhart and Alexandre Gramfort and Pedro L. C. Rodrigues},
journal= {arXiv preprint arXiv:2306.03580},
year = {2023}
}
备注
27 pages, 6 figures, 3 tables, 6 appendices, NeurIPS 2023