Robust variational neural posterior estimation for simulation-based inference
Matthew O'Callaghan, Kaisey S. Mandel, Gerry Gilmore
神经密度估计的最新进展使强大的基于模拟的推理(SBI)方法能够灵活地近似贝叶斯推理,用于棘手的随机模型。 虽然当模拟器准确地代表底层数据生成过程(GDP)时,这些方法已经证明了可靠的后验值,但最近的工作表明,在模型错误规范的情况下,它们的表现很差。 这给他们在现实世界问题上的使用带来了一个重大问题,因为模拟器总是在一定程度上歪曲真正的DGP。 在本文中,我们引入了强大的变异神经后验值(RVNP),该方法通过使用变异推理和误差建模弥合模拟与现实差距来解决摊销SBI中的错误特异性问题。 我们在多个基准任务上测试RVNP,包括使用天文学的真实数据,并表明它可以以数据驱动的方式恢复稳健的后推理,而无需采用可调的超参数或管理错误特异性的先验。
Recent advances in neural density estimation have enabled powerful simulation-based inference (SBI) methods that can flexibly approximate Bayesian inference for intractable stochastic models. Although these methods have demonstrated reliable posterior estimation when the simulator accurately represents the underlying data generative process (GDP), recent work has shown that they perform poorly in the presence of model misspecification. This poses a significant problem for their use on real-world...
