基于摊销近似比率估计器的无似然 MCMC
机器学习
2020-06-29 v5 机器学习
摘要
在依赖复杂计算机模拟的科学领域中，具有难解似然的后验推断正成为一项日益常见的任务。通常，这些前向模型不允许有易处理的密度，迫使从业者使用近似方法。本文引入了一种新方法来解决似然与边缘模型的难解性问题。我们通过学习一个灵活的摊销估计器来近似似然与证据之比（likelihood-to-evidence ratio）从而实现这一点。我们证明，学习到的比率估计器可以嵌入到 MCMC 采样器中，以近似马尔可夫链中连续状态之间的似然比，从而让我们能够从难解后验中抽样。文中提出了一些技术以改善数值稳定性并衡量近似的质量。我们的方法在多种基准测试上针对成熟技术展示了其准确性。在物理学中的科学应用表明了其实用性。
引用
@article{arxiv.1903.04057,
title = {Likelihood-free MCMC with Amortized Approximate Ratio Estimators},
author = {Joeri Hermans and Volodimir Begy and Gilles Louppe},
journal= {arXiv preprint arXiv:1903.04057},
year = {2020}
}
备注
v5: Camera-ready version presented at ICML 2020