Jeffrey Regier · 2026 · arXiv
DOI: 10.48550/arXiv.2610.26733 · open-access PDF
Neural Posterior Estimation (NPE) passt einen amortisierten bedingten Dichte Schätzgerät zu einem simulierten Training Satz von vollständigen Daten Realisierungen. NPE Training Ziel, Log-Wahrscheinlichkeit, begünstigt spätere Annäherungen, die willkürlich hohe Dichte zu den Trainingspunkten zuweisen, und typische Familien von amortisierten bedingten Dichte Schätzgeräte (zB normalisierende Flüsse, Gaussian Encoders) sind flexibel genug, um zu verpflichten. Die resultierende Politik der extremen Überzuverlässigkeit übersetzt schlecht auf gehaltenen Daten. Frühstopp und andere Regularisatoren können diese Degeneration verhindern, aber sie sind auf die Auswahl beschränkt
Machine translation (Meta M2M100); the English original follows.
Neural Posterior Estimation (NPE) fits an amortized conditional density estimator to a simulated training set of complete-data realizations. NPE's training objective, log-likelihood, favors posterior approximations that assign arbitrarily high density to the training points, and typical families of amortized conditional density estimators (e.g., normalizing flows, Gaussian encoders) are flexible enough to oblige. The resulting policy of extreme overconfidence translates poorly to held-out data. Early stopping and other regularizers can prevent this degeneracy, but they are limited to selecting
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.26733, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange