基于模拟器且具类别输出的模型中采用 Jensen-Shannon 散度的非参数无似然推断
统计方法学
2022-05-27 v2 机器学习
摘要
基于模拟器的统计模型的无似然推断近来在机器学习与统计学界引起了大量关注。这些研究领域的主要焦点是通过各类蒙特卡洛采样算法或基于深度神经网络的代理模型来近似模型参数的后验分布。迄今为止，基于模拟器模型的频率派推断受到的关注少得多，尽管它特别适用于大数据应用——其中似然的隐式渐近近似预期准确且可利用计算高效的策略。在此，我们推导了一组理论结果，利用 Jensen–Shannon 散度的渐近性质来实现模型参数的估计、假设检验与置信区间构建。这种渐近近似为计算更密集的方法提供了快速替代方案，并对基于模拟器模型的多样应用具有吸引力。61
引用
@article{arxiv.2205.10890,
title = {Nonparametric likelihood-free inference with Jensen-Shannon divergence for simulator-based models with categorical output},
author = {Jukka Corander and Ulpu Remes and Ida Holopainen and Timo Koski},
journal= {arXiv preprint arXiv:2205.10890},
year = {2022}
}
备注
61 pages, 14 figures