概要: 簡易化されたシミュレータベース推論は、工学や神経科学といった計算分野におけるベイズ推論に取り組むための強力な枠組みを提供します。最近では、拡散モデルのような最新の生成的手法をますます活用し、観測データをモデルパラメータや将来予測へ写像します。これらの手法は、シミュレーションしたパラメータ—データ対で学習した後は追加のシミュレータ呼び出しを必要とせず、新しいデータセットに対する事後分布、または事後予測分布のサンプルを生成します。しかし、その適用可能性は、学習フェーズでモデルパラメータを生成する際に用いる事前分布（分布群）によって制限されることが多いです。この制約を克服するために、本論文では拡散ベースの簡易化推論手法に特化した技術「PriorGuide（事前ガイド）」を導入します。PriorGuideは、新しいガイダンス近似を活用することで、テスト時に学習済みの拡散モデルを新しい事前分布へ柔軟に適応させることを可能にし、肝心な点として高コストな再学習を必要としません。これにより、ユーザは学習後に更新された情報や専門家の知識を容易に取り込め、事前学習済み推論モデルの汎用性を高めることができます。
PriorGuide：シミュレーションベース推論におけるテスト時の事前適応
arXiv stat.ML / 2026/4/22
💬 オピニオンModels & Research
要点
- アモルタイズド・シミュレーションベース推論では、学習後に追加のシミュレータ呼び出しをせずに、事後分布または事後予測のサンプルを生成でき、拡散モデルのような生成手法を用いて観測データからパラメータや将来予測へ写像することが増えています。
- しかし、これらの手法は学習時に用いた事前分布（分布）に強く依存するため、適用可能範囲が制約されがちです。
- 本論文では、拡散ベースのアモルタイズド推論向けに、テスト時に新しい事前分布へ適応できる手法「PriorGuide」を提案します。
- PriorGuideは、ガイダンス近似によって高コストな再学習なしで事前適応を実現し、学習後に最新情報や専門家知識を容易に反映できるようにします。
