从隐式模型中挖掘信息以改进无似然推断
机器学习
2020-02-25 v4 机器学习
高能物理 - 唯象学
数据分析、统计与概率
摘要
模拟器通常提供了对现实世界现象的最佳描述。然而,由于它们隐式定义的密度通常是难处理的,这也导致了具有挑战性的逆问题。我们提出了一套新的基于模拟的推断技术,超越了传统的近似贝叶斯计算(Approximate Bayesian Computation)方法——后者在高维设定下表现不佳——并扩展了使用基于神经网络的替代模型的方法。我们表明,额外的信息,如联合似然比和联合得分,通常可以从模拟器中提取,并用于增强这些替代模型的训练数据。最后,我们证明这些新技术比传统方法具有更高的样本效率并提供更高保真度的推断。
引用
@article{arxiv.1805.12244,
title = {Mining gold from implicit models to improve likelihood-free inference},
author = {Johann Brehmer and Gilles Louppe and Juan Pavez and Kyle Cranmer},
journal= {arXiv preprint arXiv:1805.12244},
year = {2020}
}
备注
Code available at https://github.com/johannbrehmer/simulator-mining-example . v2: Fixed typos. v3: Expanded discussion, added Lotka-Volterra example. v4: Improved clarity