先验变了不用重训！新框架用密度比估计，性能追平甚至反超PriorGuide，鲁棒性还更强！
Guidance for Prior Change via Density Ratio Estimation
📖 AI 总结
本文提出了一种基于密度比估计（DRE）的无偏测试时引导框架，用于解决模拟推断（SBI）中生成模型受训练先验限制的问题。现有方法PriorGuide虽能实现推理时引导，但依赖高斯近似和混合模型拟合，引入系统性偏差。新框架通过DRE学习评分引导项，将推理过程与训练先验解耦，且不依赖特定密度比估计器，具有通用性和灵活性。实验表明，在多数任务中，该方法在C2ST和MMD指标上与PriorGuide相当或更优，并在训练先验与目标先验重叠有限时保持稳健。此外，该方法被成功应用于行星光变数据的贝叶斯更新参数推断，展现出较强的有效性和鲁棒性。代码已公开。
🔑 关键词速览
| Simulation-Based Inference (SBI) | 基于模拟的推断，一种在似然函数难以处理时，通过模拟器进行参数推断的框架。 |
| PriorGuide | 一种推理时的先验指导方法，但因其难以处理的公式而依赖于高斯近似，存在系统性偏差。 |
| Density Ratio Estimation (DRE) | 密度比估计，一种估计两个概率密度之比的技术，用于学习分数指导项。 |
| C2ST | 分类器双样本检验，一种用于评估后验估计质量的指标，基于分类器区分样本来源的能力。 |
| MMD | 最大均值差异，一种衡量两个概率分布之间差异的指标，常用于评估生成模型或后验估计的准确性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅