要旨: シミュレータ評価のコストは、シミュレーションに基づく推論（SBI）における主要な実務上のボトルネックです。共有されるグローバルパラメータと、交換可能なサイト（地点）レベルのパラメータおよび観測を伴う階層的設定では、この構造を活用してシミュレーション効率を改善できます。既存の階層的SBI手法は事後分布を因数分解しますが、学習サンプルごとに複数のサイトにわたってなおシミュレーションを行います。そこで本研究では、単一サイトのシミュレーションから学習するための尤度因数分解（LF）を探究します。LFサンプリングでは、各サイトごとのシミュレータのニューラルサロゲートを学習し、その後、合成のマルチサイト観測を組み立てることで、階層的事後分布全体に対する推論を償却（amortise）します。これを基に、事後推定のためのトークン化フローマッチング（TFMPE）を提案します。TFMPEは、尤度因数分解により関数値の観測を扱えるトークン化されたフローマッチング手法です。体系的な評価を可能にするため、階層的SBIのためのベンチマークを導入します。このベンチマーク、および現実的な感染症モデルと計算流体力学モデルに対してTFMPEを検証し、計算コストを削減しつつ、適切に較正された事後分布を得られることを確認しました。
階層シミュレーションに基づく推論のためのトークン化フローマッチング
arXiv cs.LG / 2026/4/23
📰 ニュースDeveloper Stack & InfrastructureModels & Research
要点
- この論文は、Simulation Based Inference（SBI）における大きな実務上のボトルネックである、特に階層モデルでの高コストなシミュレータ評価に焦点を当てています。
- 著者らは、もっともらしい訓練方法として、尤度因子分解（LF）を用い、単一サイトのシミュレーションからサイトごとのニューラルサロゲートを学習し、合成した複数サイトの観測を組み立てて階層事後分布のアモルタイズ推論を行う手法を提案しています。
- この考え方を発展させ、Tokenised Flow Matching for Posterior Estimation（TFMPE）を提案し、尤度因子分解のもとで関数値の観測にも対応するトークン化フローマッチングを用います。
- 進捗を体系的に評価するため、階層SBIのベンチマークも新たに導入し、TFMPEをこのベンチマークに加えて感染症および計算流体力学の現実的モデルでも検証します。
- 結果として、TFMPEは事後分布を適切に較正しつつ、従来の階層SBIより計算コストを削減できることが示されています。
