仿真基推断中具有覆盖保证的变分推断
统计方法学
2024-07-26 v3 机器学习
摘要
摊销变分推断是仿真基推断中常用的一种框架，其产生的后验近似可在给定任意新观测时快速计算。遗憾的是，关于这些近似后验的质量鲜有保证。我们提出保形化摊销神经变分推断（CANVI, Conformalized Amortized Neural Variational Inference），这是一种可扩展、易实现且提供有保证边际覆盖的程序。给定一组候选摊销后验近似器，CANVI 基于每个候选构造保形化预测器，使用称为预测效率的度量比较这些预测器，并返回最高效的预测器。CANVI 确保所得预测器构造的区域以用户指定概率水平包含真值。CANVI 对构造候选近似器的设计决策无关，且仅需能访问前向模型的样本，从而允许其在无似然设置中使用。我们证明了 CANVI 所产生区域的预测效率下界，并探究后验近似质量如何关联到基于该近似的预测区域的预测效率。最后，我们在一组仿真基推断基准任务及一项重要科学任务——分析星系发射光谱上，展示了 CANVI 的准确校准与高预测效率。
引用
@article{arxiv.2305.14275,
title = {Variational Inference with Coverage Guarantees in Simulation-Based Inference},
author = {Yash Patel and Declan McNamara and Jackson Loper and Jeffrey Regier and Ambuj Tewari},
journal= {arXiv preprint arXiv:2305.14275},
year = {2024}
}