贝叶斯流 swMATH ID: 46664 软件作者： Radev，Stefan T。；乌尔夫·默滕斯（Ulf K.Mertens）。；安德烈亚斯·沃斯（Andreass Voss）；林顿Ardizzone；乌尔里希·科特 描述： 贝叶斯流：使用可逆神经网络学习复杂随机模型。估计数学模型的参数是几乎所有科学分支中的一个常见问题。然而，当过程和模型描述变得越来越复杂，并且没有明确的似然函数时，这个问题可能会非常困难。通过这项工作，我们提出了一种新的基于可逆神经网络的全局摊销贝叶斯推理方法，我们称之为贝叶斯流。该方法使用仿真来学习从观测数据到潜在模型参数的概率映射的全局估计。以这种方式预先训练的神经网络可以在不进行额外训练或优化的情况下，在涉及同一模型族的任意多个实际数据集上推断出完整的后验信息。此外，我们的方法结合了一个经过训练的摘要网络，将观测数据嵌入到信息量最大的摘要统计中。从数据中学习摘要统计信息使该方法适用于使用手工摘要统计信息的标准推理技术失败的场景建模。我们从人口动力学、流行病学、认知科学和生态学的角度论证了贝叶斯流在具有挑战性的棘手模型上的实用性。我们认为，BayesFlow提供了一个通用框架，用于为任何可模拟数据的正向模型构建摊销贝叶斯参数估计机。 主页： https://arxiv.org/abs/2003.06281 源代码： https://github.com/stefanradev93/贝叶斯流 依赖项： 蟒蛇 关键词： 机器学习；arXiv_状态ML；arXiv_cs。LG公司 相关软件： PyTorch公司；亚当；低碳所；ElemStatLearn（电子状态学习）；FloWaveNet公司；辉光；桥梁取样；美国广播公司无线电频率；重新思考；贝叶斯雷；pyABC公司；piDMD公司；后面的；业务风险管理系统；TensorFlow公司；GMRF库；lme4公司；卡爪；螺母；ts桥 引用于： 7文件 全部的 前5名22位作者引用 1 朱莉·贝萨克 1 保尔·克里斯蒂安·比尔克纳 1 里塔布拉塔·杜塔 1 内森·埃文斯。 1 关晓飞 1 郭玲 1 黄继祖 1 阿曼达·伦齐 1 洛伦佐·帕奇亚迪 1 杰迈尔·阿曼尼·拉德 1 斯特凡·拉德夫（Stefan T.Radev）。 1 阿米尔·霍森·哈迪安·拉萨南 1 约尔格·里斯坎普 1 约翰·鲁迪 1 马克西米利安·舒尔茨 1 高志志野 1 迈克尔·L·斯坦。 1 王新通 1 吴浩 1 吴希欣 1 杨子豪 1 周涛 全部的 前5名引用于7个系列 1 计算物理杂志 1 经济动力学与控制杂志 1 计算统计与数据分析 1 边界元工程分析 1 机器学习研究杂志（JMLR） 1 计算物理中的通信 1 统计调查 全部的 前5名在7个字段中引用 三 统计学（62-XX） 三 数值分析（65-XX） 三 计算机科学（68至XX） 2 博弈论、经济学、金融和其他社会和行为科学（91-XX） 1 偏微分方程（35-XX） 1 概率论与随机过程（60-XX） 1 可变形固体力学（74-XX） 按年份列出的引文