【阿姆斯特丹博士论文】科学模拟的机器学习：推理与生成模型

文章预览

本论文提出了一些方法，用于从科学模拟器中学习数据的统计模型。由于其复杂性，科学模拟器的设计和运行成本较高。此外，求解反问题（即确定需要向模拟器提供哪些输入，以输出“匹配”实验室中观测到的模拟结果）通常是难以求解的。我们开发了生成模型，使我们能够创建更多的合成数据或利用这些模拟器解决反问题。 第一个研究领域是基于模拟的推理 (Simulation-based Inference)，该方法利用生成模型从输出观测中推断输入参数。主要贡献如下： **提出了截断边缘神经比率估计 (Truncated Marginal Neural Ratio Estimation) [第二章]：**一种基于模拟的推理方法，通过使用现有的对比学习技术，提高了估计似然与证据比率的模拟效率。我们提出了在多个回合中近似后验分布的方法，其中下一回合通过截断先验（基于前一回合的结果）来选择性生成后验高密 ………………………………