BayesFlow：使用神经网络的摊销贝叶斯工作流框架

文章预览

BayesFlow: AMORTIZED BAYESIAN WORKFLOWS WITH  NEURAL NETWORKS BayesFlow：使用神经网络的摊销贝叶斯工作流程 https://arxiv.org/pdf/2306.16015 现代贝叶斯推断涉及一系列计算技术，用于估计、验证和从概率模型中得出结论，作为数据分析原则性工作流程的一部分（Bürkner 等人，2022；Gelman 等人，2020；Schad 等人，2021）。贝叶斯工作流程中的典型问题包括对各种模型类型的难以处理的后验分布进行近似，以及根据模型的复杂性和预测性能对同一过程的竞争模型进行比较。然而，尽管贝叶斯方法在理论上具有吸引力和实用性，但实际执行贝叶斯工作流程常常受到计算瓶颈的限制：获取单个后验分布可能已经需要很长时间，以至于为了模型验证或校准而进行的重复估计变得完全不可行。 1摘要 BayesFlow 提供了一个框架，用于基于模拟训练成熟的神经网络架构，如变压器（Vaswani ………………………………