神经后验估计与似然估计的统计准确性
机器学习
2024-11-20 v1 机器学习
统计理论
统计计算
统计理论
摘要
神经后验估计（NPE）和神经似然估计（NLE）是机器学习方法，能在复杂建模场景以及需要进行摊销推理的情况下提供准确的后验和似然近似。尽管此类方法在一系列不同的科学应用中展现出显著前景，但其统计准确性至今尚未被探索。在本文中，我们首次深入探讨了 NPE 和 NLE 的统计行为。我们证明，这些方法与近似贝叶斯计算（ABC）和贝叶斯合成似然（BSL）等常见统计方法具有相似的理论保证。虽然 NPE 和 NLE 方法与 ABC 和 BSL 一样准确，但我们证明这种准确性通常能以大幅降低的计算成本实现，因此在某些问题中将提供比 ABC 和 BSL 更具吸引力的近似。我们在理论上以及文献中的若干示例中验证了我们的结果。
引用
@article{arxiv.2411.12068,
title = {The Statistical Accuracy of Neural Posterior and Likelihood Estimation},
author = {David T. Frazier and Ryan Kelly and Christopher Drovandi and David J. Warne},
journal= {arXiv preprint arXiv:2411.12068},
year = {2024}
}