发表机构
University of Bristol; School of Mathematics, University of Bristol; School of Biological Sciences, University of Bristol（布里斯托大学; 布里斯托大学数学学院; 布里斯托大学生物科学学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出神经复合似然估计（NCLE），将长序列划分为等大小批次分别估计似然，以乘积作为复合似然进行频率推断，从而将基于模拟的推断扩展到高维时间序列数据。
AI 中文摘要
基于模拟的推断（SBI）通过使用给定参数值生成数据的模拟器，规避了似然函数难以处理的问题。例如，神经似然估计（NLE）通过训练神经网络对模拟数据（在给定相应参数的条件下）进行条件密度估计来估计似然函数。然而，这种密度估计仅适用于相对低维的数据。我们将SBI方法的可扩展性扩展到更高维的问题：具有复杂依赖结构的长序列。我们引入了神经复合似然估计（NCLE）。该方法将序列划分为较小的、大小相等的批次。不同于训练NLE来估计整个序列的似然，我们分别估计每个批次的似然。这些似然的乘积构成一个近似的复合似然（CL），我们利用CL文献中的方法进行频率学派推断：通过最大化近似CL获得点估计，并通过估计Godambe信息矩阵获得置信区间。我们通过在时间序列模型上的实验证明了NCLE的有效性。
英文摘要
Simulation based inference (SBI) circumvents the challenge of intractable likelihoods by using a simulator that generates data given parameter values. For instance, neural likelihood estimation (NLE) estimates the likelihood function by training a neural network to perform conditional density estimation on simulated data given corresponding parameters. However such density estimation is only feasible for relatively low dimensional data. We extend the scalability of SBI methods to a higher dimensional problem: long sequences with a complex dependency structure. We introduce Neural Composite Likelihood Estimation (NCLE). This divides the sequence into smaller, equal-sized batches. Instead of training NLE to estimate the likelihood for an entire sequence, we estimate the likelihood for each batch separately. The product of these forms an approximate composite likelihood (CL), and we perform frequentist inference using methods from the CL literature: we get a point estimate from maximising the approximate CL and obtain confidence intervals by estimating the Godambe information matrix. We demonstrate the effectiveness of NCLE with experiments on time series models.
