通过自适应时间表退火来缓解归一化流中的模式崩溃：一种用于参数估计的应用
机器学习
2025-05-07 v1 计算物理
数据分析、统计与概率
定量方法
机器学习
摘要
归一化流（Normalizing flows, NFs）提供从复杂分布中获得不相关样本的能力，使其成为参数估计的有吸引力的工具。然而，NFs的实际效用受限于其倾向于从多模态分布中崩溃到单个模态。本研究表明，基于有效样本数（ESS）的自适应时间表退火可缓解模式崩溃。我们演示了该方法可在常规的集合马尔可夫链蒙特卡罗（MCMC）方法计算时间缩短十倍的情况下，对一个生化振荡模型的参数进行拟合。我们表明，ESS也可用于通过修剪样本来降低方差。我们期望这些发展对使用NFs进行抽样具有普遍用途，并讨论了进一步改进的潜在机会。
引用
@article{arxiv.2505.03652,
title = {Mitigating mode collapse in normalizing flows by annealing with an adaptive schedule: Application to parameter estimation},
author = {Yihang Wang and Chris Chi and Aaron R. Dinner},
journal= {arXiv preprint arXiv:2505.03652},
year = {2025}
}
备注
19 pages, 10 figures