Amortised Likelihood-free Inference for Expensive Time-series Simulators with Signatured Ratio Estimation
利用路径签名比率估计对高成本时间序列模拟器进行摊销式无似然推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究序列数据与动态模拟器的统计推断，对应时间序列方法，但未限定宏观经济应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用路径签名比率估计对高成本时间序列模拟器进行摊销式无似然推断
- 研究问题
- 当复杂动态模拟器缺乏可计算的似然、模拟样本又较少时，如何利用序列信息构造有效的似然近似并开展后验推断？
- 方法与思路
- 作者提出基于路径签名核的序列分类器，通过二元分类的似然比技巧近似难以计算的似然，服务于后验推断。
- 材料陈述的贡献
- 摘要称，路径签名的表示能力使分类器在小样本情形下表现较好，并在部分常见后验推断任务中超过复杂神经网络。
- 阅读关注点
- 应核对分类概率转化为似然比的条件、训练样本生成方式、摊销计算成本，以及小样本比较采用的任务和评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未经核验；摘要未说明误差保证、模拟预算及优势适用的具体模型范围。
原文摘要
Simulation models of complex dynamics in the natural and social sciences commonly lack a tractable likelihood function, rendering traditional likelihood-based statistical inference impossible. Recent advances in machine learning have introduced novel algorithms for estimating otherwise intractable likelihood functions using a likelihood ratio trick based on binary classifiers. Consequently, efficient likelihood approximations can be obtained whenever good probabilistic classifiers can be constructed. We propose a kernel classifier for sequential data using path signatures based on the recently introduced signature kernel. We demonstrate that the representative power of signatures yields a highly performant classifier, even in the crucially important case where sample numbers are low. In such scenarios, our approach can outperform sophisticated neural networks for common posterior inference tasks.