平衡基于模拟的推断，以获得保守的后验分布

​

Balancing Simulation-based Inference for Conservative Posteriors

解决问题：本篇论文旨在解决模拟推断中保守后验估计的问题。常用算法可能会产生过度自信的后验估计，因此需要一种有效的方法来缓解这个问题。作者试图通过平衡技术来解决这个问题，并将其扩展到任何提供后验密度的算法中。

关键思路：本文的关键思路是将平衡技术扩展到任何提供后验密度的算法中，包括神经后验估计和对比神经比率估计的平衡版本。与当前领域的研究相比，本文的思路有新意。

其他亮点：作者通过实验证明了平衡版本在各种基准测试中产生了保守的后验估计。此外，作者还提供了平衡条件的另一种解释，即通过$chi^2$散度来解释平衡条件。本文未提供开源代码。

关于作者：Arnaud Delaunoy、Benjamin Kurt Miller、Patrick Forré、Christoph Weniger和Gilles Louppe分别来自哪个机构并没有在文中说明。根据我的数据库，Gilles Louppe是一位在比利时列日大学工作的助理教授，他之前的代表作包括“Learning to Pivot with Adversarial Networks”等。其他作者的信息需要进一步查询。

相关研究：近期的相关研究包括“Improving Simulation-Based Inference for Complex Models with Deep Neural Likelihoods”（Jingwei Zhuo等，加州大学洛杉矶分校）、“Bayesian Inference with Posterior Regularization”（Yixin Wang等，麻省理工学院）等。

论文摘要：这篇论文讨论了模拟推断中保守后验的问题。已经证明常用的算法可能会产生过度自信的后验逼近。平衡技术被证明是缓解这个问题的有效方法。然而，平衡技术目前仅限于神经比率估计。在这项工作中，作者将平衡技术扩展到任何提供后验密度的算法。特别是，他们介绍了神经后验估计和对比神经比率估计的平衡版本。作者通过实验证明，平衡版本在各种基准测试中往往会产生保守的后验逼近。此外，作者提供了一种基于$chi^2$距离的平衡条件的另一种解释。

​Read More