基于改进交叉熵估计器的似然自由推断
机器学习
2018-08-06 v1 机器学习
高能物理 - 唯象学
数据分析、统计与概率
摘要
我们扩展了近期 Brehmer 等人（2018）利用神经网络作为似然自由推断代理模型的工作。与之前工作一样，我们利用了联合似然比和联合得分（以观测和潜变量为条件）通常可从隐式生成模型或模拟器中提取，从而为这些代理模型扩充训练数据的事实。我们展示了如何利用该扩充训练数据提供一种新的交叉熵估计器，与先前利用该扩充训练数据的损失函数相比，其具有更高的样本效率。
引用
@article{arxiv.1808.00973,
title = {Likelihood-free inference with an improved cross-entropy estimator},
author = {Markus Stoye and Johann Brehmer and Gilles Louppe and Juan Pavez and Kyle Cranmer},
journal= {arXiv preprint arXiv:1808.00973},
year = {2018}
}
备注
8 pages, 3 figures