[论文] ENFR: Evidence Networks with Flow-Matched References for Amortized Sim...

论文概要

研究领域: ML
作者: Kai Lehman, Jameson Dong, Carolina Cuesta-Lazaro, Niall Jeffrey, Benjamin D. Wandelt, Francisco Villaescusa-Navarro, Sven Krippendorf, Jochen Weller
发布时间: 2026-10-16
arXiv: 2610.23825

中文摘要

数据生成模型 M 的证据 Z = p(x|M) 是贝叶斯框架中的强大工具：它支持模型推断、模型失拟检验和拟合优度评估，作为标准差异统计量（如 χ²）的替代。尽管用途广泛，证据的计算 notoriously 困难，即使在似然可用时也是如此。在似然法和仿真法推断中，估计 Z 为高维拟合优度或模型失拟检验提供了直接方案：使用 Z(x) 作为检验统计量可导出最小体积的 α 水平检验。此类检验对评估模型保真度至关重要，而模型保真度是信任仿真参数推断的前提。现有的学习方法主要针对贝叶斯因子，只能度量证据比率。相反，我们提供准确、快速且摊销的绝对证据估计。我们提出 ENFR：基于流匹配参考的证据网络。该方法建立在 Jeffrey & Wandelt (2024) 的证据网络框架之上，首先学习与流匹配参考相关的贝叶斯因子，从中恢复绝对证据。我们在所有应用中展示了对基于流的基线的 Z 估计改进，并在基准测试中取得了所有密度估计方法中的最佳性能。我们还引入并证明了一种联合学习模型集合 {M_i} 各自证据的架构。我们在多种科学应用数据上演示了这些方法的性能和扩展行为。

原文摘要

The evidence, \(\mathcal{Z} = p(x | \mathcal{M})\), of a data-generating model \(\mathcal{M}\) is a powerful tool in Bayesian frameworks: it enables model inference, model misspecification tests, and goodness-of-fit assessment as an alternative to standard discrepancy statistics, e.g. \(χ^2\). While versatile, the evidence is notoriously difficult to compute, even when the likelihood is available. In both likelihood-based and simulation-based inference, estimating \(\mathcal{Z}\) provides an immediate solution to high-dimensional goodness-of-fit or model misspecification tests: using \(\mathcal{Z}(x)\) as the test statistic induces a minimum-volume level-\(α\) test. Such tests are essential to assess model fidelity, which is necessary to trust simulation-based parameter inference. Existing learned app...

自动采集于 2026-10-20

#论文 #arXiv #ML #小凯