我们引入了基于仿真的摊销贝叶斯推理方案，以推断随机步行的参数。我们的方法通过无可能的方法了解了步行参数的后验分布。在第一步中，对图形神经网络进行了模拟数据培训，以学习随机步行的优化低维摘要统计数据。在第二步中，可逆神经网络使用变分推断从学习的汇总统计数据中产生参数的后验分布。我们应用我们的方法来从单轨迹推断布朗尼运动模型的参数。摊销推理过程的计算复杂性与轨迹长度线性缩放，其精度比例与cram {\'e} r-rao相似，在较大的长度上结合。该方法对位置噪声是强大的，并且比训练期间看到的轨迹更长的轨迹更长。最后，我们适应了该方案，以表明环境中的有限去相关时间可以从单个轨迹中推断出来。
translated by 谷歌翻译
已经提出了各种类型的显着性方法来解释黑盒分类。在图像应用程序中，这意味着要突出显示与当前决策最相关的图像的一部分。我们观察到，这些方法中的几种可以看作是基于在分类器域中找到特定的消融路径的单个，更通用过程的边缘情况。这为现有方法提供了其他几何见解。我们还证明，这种消融路径方法本身可以用作一种技术，较高的计算成本与路径给出的其他信息进行交易。
translated by 谷歌翻译