鉴于一些观察到的数据和概率生成模型，贝叶斯推论的目的是获得可能产生数据的模型潜在参数的分布。对于大型人群研究，这项任务是具有挑战性的，在大量人群研究中，在数百名受试者的队列中进行了数千次测量，从而产生了大规模的潜在参数空间。这种较大的基数使现成的变异推理（VI）在计算上是不切实际的。在这项工作中，我们设计了可以有效解决大型人口研究的结构化VI家族。为此，我们的主要思想是在不同的I.I.D.上共享参数化和学习。由模型板拟合的生成模型中的变量。我们将此概念板摊销命名，并说明了其权利的强大协同作用，从而导致表达性，简短的参数化和更快的数量级，以训练大型层次分布分布。我们通过一个充满挑战的神经影像学示例来说明PAVI的实际实用性，该示例具有一百万个潜在参数，这表明了朝着可扩展和表现力的变异推理迈出的重要一步。
translated by 谷歌翻译
对脑灰质细胞结构的有效表征具有定量敏感性对SOMA密度和体积的敏感性仍然是扩散MRI（DMRI）中的未解决的攻击。解决与细胞建筑特征的DMRI信号相关的问题呼吁通过少数生理相关参数和用于反相模型的算法来定义描述脑组织的数学模型。为了解决这个问题，我们提出了一个新的前向模型，特别是一个新的方程式系统，需要几个相对稀疏的B-shell。然后，我们从贝叶斯分析中应用现代工具，称为无似然推论（LFI）来颠覆我们所提出的模型。与文献中的其他方法相比，我们的算法不仅产生了最能描述给定的观察数据点$ x_0 $的参数向量$ \ theta $的估计，而且还产生了全面的后分发$ p（\ theta | x_0）超过参数空间。这使得模型反演的描述能够更丰富地描述，提供估计参数的可信间隔的指示符以及模型可能呈现不确定性的参数区域的完整表征。我们近似使用深神经密度估计器的后部分布，称为标准化流，并使用来自前向模型的一组重复模拟来拟合它们。我们使用DMIPY验证我们的模拟方法，然后在两个公共可用数据集上应用整个管道。
translated by 谷歌翻译