详细内容或原文请订阅后点击阅览
通过数据驱动的校准解决基于模拟的推断中的错误指定
是由深层生成建模的稳定进步驱动的，基于模拟的推理（SBI）已成为推断随机模拟器参数的主力。但是，最近的工作表明，模型错误指定会损害SBI的可靠性，从而阻止其在仅可用的拼写模拟器可用的重要应用中采用。这项工作引入了强大的后估计〜（绳索），该框架通过较小的现实世界校准集的基础真实参数测量值克服了模型错误指定。我们正式规定了错误的标准……
来源:Apple机器学习研究是由深层生成建模的稳定进步驱动的，基于模拟的推理（SBI）已成为推断随机模拟器参数的主力。但是，最近的工作表明，模型错误指定会损害SBI的可靠性，从而阻止其在仅可用的拼写模拟器可用的重要应用中采用。这项工作引入了强大的后估计〜（绳索），该框架通过较小的现实世界校准集的基础真实参数测量值克服了模型错误指定。我们将错误指定的差距正式化为最佳运输〜（OT）问题之间的解决方案（OT）在现实世界中学会和模拟观察之间的问题，从而使绳索能够学习错误指定的模型，而无需对其性质提出其他假设。绳索展示了OT和校准集如何在校准的不确定性和信息性推断之间提供可控制的平衡，即使在严重误指定的模拟器下也是如此。在四个综合任务和两个带有地面标签的现实世界问题上的结果表明，绳索表现优于基准，并且始终返回信息丰富且校准的可靠间隔。
- *同等贡献**在Apple†ethZürich