Apple Machine Learning Research
·
通过数据驱动校准解决基于模拟的推断中的模型错误指定
💡
原文英文，约200词，阅读约需1分钟。
📝
内容提要
随着深度生成建模的发展，基于模拟的推断(SBI)成为推断随机模拟器参数的主要方法。然而，模型错误指定会影响SBI的可靠性。本文提出鲁棒后验估计(RoPE)框架，通过小规模真实校准集克服模型错误指定，利用最优传输(OT)形式化错误指定差距，学习模型而不增加额外假设。实验表明，RoPE在严重错误指定的情况下仍能提供可靠的推断和校准的不确定性。
🎯
关键要点
-
深度生成建模的进展推动了基于模拟的推断(SBI)的发展。
-
模型错误指定会影响SBI的可靠性，限制其在重要应用中的使用。
-
提出鲁棒后验估计(RoPE)框架，通过小规模真实校准集克服模型错误指定。
-
利用最优传输(OT)形式化错误指定差距，学习模型而不增加额外假设。
-
RoPE在严重错误指定的情况下仍能提供可靠的推断和校准的不确定性。
-
实验结果表明，RoPE在四个合成任务和两个真实问题上优于基线，并提供信息丰富且经过校准的可信区间。
❓
延伸问答
什么是基于模拟的推断(SBI)？
基于模拟的推断(SBI)是一种推断随机模拟器参数的方法，随着深度生成建模的发展而兴起。
模型错误指定对SBI有什么影响？
模型错误指定会影响SBI的可靠性，限制其在重要应用中的使用。
鲁棒后验估计(RoPE)框架的主要功能是什么？
RoPE框架通过小规模真实校准集克服模型错误指定，提供可靠的推断和校准的不确定性。
RoPE是如何处理模型错误指定的？
RoPE利用最优传输(OT)形式化错误指定差距，学习模型而不增加额外假设。
RoPE在实验中表现如何？
实验结果表明，RoPE在四个合成任务和两个真实问题上优于基线，并提供信息丰富且经过校准的可信区间。
RoPE如何平衡校准的不确定性和信息推断？
RoPE通过最优传输和校准集提供可控的平衡，确保在严重错误指定的情况下仍能进行有效推断。
➡️
