Newest papers

Cross-Fitting for Neural Posterior Estimation

Jeffrey Regier · 2026 · arXiv

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

Vietnamese

Neural Posterior Estimation (NPE) phù hợp với một ước tính mật độ có điều kiện được bù đắp cho một tập hợp đào tạo mô phỏng của các thực hiện dữ liệu hoàn chỉnh. Mục tiêu đào tạo của NPE, log-probelihood, ủng hộ các cách tiếp cận sau đó gán mật độ cao tùy ý cho các điểm đào tạo, và các gia đình điển hình của ước tính mật độ có điều kiện được bù đắp (ví dụ, dòng chảy bình thường hóa, mã hóa Gaussian) đủ linh hoạt để bắt buộc. Chính sách quá độ tin cậy cực đoan kết quả dịch kém đến dữ liệu bị giữ ra. Dừng sớm và các bộ điều chỉnh khác có thể ngăn chặn sự thoái hóa này, nhưng chúng bị giới hạn trong việc lựa chọn

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