神经网络代理 HMC：关于在基于模拟的推断中使用神经似然函数进行哈密顿 MCMC
机器学习
2025-12-10 v2 高能天体物理现象
摘要
贝叶斯推断方法如马尔可夫链蒙特卡洛 (MCMC) 通常需要重复计算似然函数，但在某些情况下这不可行，需寻求替代方法。基于模拟的推断 (SBI) 方法通过机器学习来摊销计算，以解决这一问题。本文强调了神经似然估计方法与经典 MCMC 方法哈密顿 Monte Carlo 之间的特定协同作用。我们展示，using 神经网络模型近似似然函数可提供三种 distinct 优势：(1) 为 MCMC 抗混叠加计算；(2) 为哈密顿 Monte Carlo 提供梯度；(3)平滑来自数值不稳定性的噪声模拟。我们提供了实用指南，用于定义先验、抽样训练集以及评估收敛性。该方法在一个建模太阳系宇宙银河宇宙射线输运的应用中得到证明，其中它使对 Parker 方程中的潜在参数进行高效推断成为可能。
引用
@article{arxiv.2407.20432,
title = {Neural Surrogate HMC: On Using Neural Likelihoods for Hamiltonian Monte Carlo in Simulation-Based Inference},
author = {Linnea M Wolniewicz and Peter Sadowski and Claudio Corti},
journal= {arXiv preprint arXiv:2407.20432},
year = {2025}
}
备注
19 pages, 14 figures, in review for publication in JGR: Machine Learning and Computation