基于深度高斯过程的似然无关推断
机器学习
2021-10-06 v2 机器学习
摘要
近年来，替代模型已成功应用于似然无关推断中，以减少模拟器的评估次数。该任务当前的 SOTA 性能由基于高斯过程 的高斯过程的贝叶斯优化实现。虽然这种组合在单峰目标分布上表现良好，但它限制了贝叶斯优化在更广泛地加速似然无关推断方面的灵活性与适用性。我们通过提出一种能够处理更不规则目标分布的深度高斯过程 替代模型来解决这一问题。我们的实验表明，在具有多峰分布的目标函数上，DGP 的性能优于 GP，并在单峰情况下保持可比的性能。这证实了 DGP 作为替代模型可以扩展贝叶斯优化用于似然无关推断 (BOLFI) 的适用性，同时增加的计算开销对于计算密集型模拟器而言可以忽略不计。
引用
@article{arxiv.2006.10571,
title = {Likelihood-Free Inference with Deep Gaussian Processes},
author = {Alexander Aushev and Henri Pesonen and Markus Heinonen and Jukka Corander and Samuel Kaski},
journal= {arXiv preprint arXiv:2006.10571},
year = {2021}
}