详细内容或原文请订阅后点击阅览
错误指定的基于仿真的推理中的归纳域转移
基于模拟的推理 (SBI) 是一种统计推理方法，用于在可能性难以处理但可以进行模拟时估计物理系统的潜在参数。在实践中，SBI 经常受到模型错误指定的阻碍——由于固有的建模简化而导致模拟和现实世界观察结果之间的不匹配。 RoPE 是一种最新的 SBI 方法，它通过两阶段域传输过程解决了这一挑战，该过程将半监督校准与基于最佳传输 (OT) 的分布对齐相结合。然而，RoPE 以完全传导的方式运行……
来源:Apple机器学习研究基于模拟的推理 (SBI) 是一种统计推理方法，用于在可能性难以处理但可以进行模拟时估计物理系统的潜在参数。在实践中，SBI 经常受到模型错误指定的阻碍——由于固有的建模简化而导致模拟和现实世界观察结果之间的不匹配。 RoPE 是一种最新的 SBI 方法，它通过两阶段域传输过程解决了这一挑战，该过程将半监督校准与基于最佳传输 (OT) 的分布对齐相结合。然而，RoPE 在完全传导设置中运行，需要在推理时访问一批测试样本，这限制了可扩展性和泛化性。我们在这里提出了一个完全归纳和摊销的 SBI 框架，它将校准和分布对齐集成到单个端到端可训练模型中。我们的方法利用具有封闭形式耦合的小批量 OT，使用配对校准数据和未配对样本来对齐对应于相同潜在参数的真实和模拟观测值。然后训练条件归一化流以近似 OT 引起的后验，从而在测试时无需进行模拟访问即可进行高效推理。在一系列合成和现实世界基准（包括复杂的医学生物标志物估计）中，我们的方法匹配或超越 RoPE 以及其他标准 SBI 和非 SBI 估计器的性能，同时在具有挑战性的、错误指定的环境中提供改进的可扩展性和适用性。
- † EPFL（洛桑联邦理工学院）