PriorCVAE：基于贝叶斯深度生成模型的可扩展 MCMC 参数推断
机器学习
2023-11-13 v3 机器学习
摘要
近期进展表明，GP 先验或其有限实现可利用变分自编码器（VAEs）等深度生成模型进行编码。这些学习到的生成器可在 MCMC 推断中作为原始先验的直接替代。虽然该方法实现了高效推断，但丢失了原始模型超参数的信息，从而无法对超参数进行推断且所学先验不可区分。为克服此局限，我们将 VAE 以随机过程超参数为条件。这使得超参数与 GP 实现的联合编码及其在推断中的后续估计成为可能。进一步，我们证明所提方法 PriorCVAE 对其所近似模型的性质无关，并可用于例如编码 ODE 的解。它提供了近似推断的实用工具，并在实际空间与时空应用中展现出潜力。
引用
@article{arxiv.2304.04307,
title = {PriorCVAE: scalable MCMC parameter inference with Bayesian deep generative modelling},
author = {Elizaveta Semenova and Prakhar Verma and Max Cairney-Leeming and Arno Solin and Samir Bhatt and Seth Flaxman},
journal= {arXiv preprint arXiv:2304.04307},
year = {2023}
}