Newest papers

Cross-Fitting for Neural Posterior Estimation

Jeffrey Regier · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26733 · open-access PDF

Russian

Neural Posterior Estimation (NPE) вписывает амортизированный условный оценитель плотности в симулированный набор тренировочных реалий полных данных. Цель обучения NPE, log-probelihood, благоприятствует последующим приближениям, которые присваивают произвольно высокую плотность точкам обучения, и типичные семьи амортизированных условных оценителей плотности (например, нормализующие потоки, гауссианские кодировщики) достаточно гибкие, чтобы обязать. Полученная политика крайней чрезмерной уверенности плохо переводится на удерживаемые данные. Ранняя остановка и другие регуляторы могут предотвратить эту дегенерацию, но они ограничены выбором

Machine translation (Meta M2M100); the English original follows.

Abstract

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

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange