求解高维参数推断：边际后验密度与矩网络
机器学习
2020-11-13 v1 宇宙学与河外天体物理
机器学习
摘要
用于推断的高维概率密度估计受到“维数灾难”的困扰。对于许多物理推断问题，完整的后验分布笨重且在实践中很少使用。相反，我们提出直接估计低维边际分布，绕过高维密度估计或高维马尔可夫链蒙特卡洛（MCMC）采样。通过评估二维边际后验，我们可以揭示全维参数协方差结构。我们还提出构建一种称为矩网络（Moment Networks）的简单快速神经回归模型层次结构，它计算任意所需低维边际后验密度的递增矩；这些结果复现了来自解析后验和掩码自回归流（Masked Autoregressive Flows）的精确结果。我们展示了使用高维类 LIGO 引力波时间序列的边际后验密度估计，并描述了基础宇宙学问题的应用。
引用
@article{arxiv.2011.05991,
title = {Solving high-dimensional parameter inference: marginal posterior densities & Moment Networks},
author = {Niall Jeffrey and Benjamin D. Wandelt},
journal= {arXiv preprint arXiv:2011.05991},
year = {2020}
}
备注
Accepted in the Third Workshop on Machine Learning and the Physical Sciences, NeurIPS 2020, Vancouver, Canada