MNLE：基于深度学习的下一代高效决策建模方法

分享嘉宾： 郭鸣谦
单位： 拉德堡德大学博士二年级

报告简介

漂移扩散模型属于序列抽样模型(SSM, Sequential sampling model)的一类，许多SSM都缺乏似然函数的解析解。对于这类模型，传统的参数估计方法费时费力，极大地限制了它们的应用。

为了推广这类模型，Michael.J.Frank课题组最早提出了用多层感知机模型去近似无解析解模型的方法，并将其应用到HDDM package中。他们对此法简称为LAN(Likelihood approximation networks)。LAN的问题在于，训练神经网络所需要的模拟数据量尤其大(1.5 x 10^12)，使得HDDM的用户较难自己训练模型，更多的是使用作者们预训练好的模型。

这篇文章的作者引入了深度学习生成模型领域的Flow模型去近似似然函数，作者将其称为MNLE(Mixture neural likelihood estimation)，并对比了LAN的结果。他们发现MNLE在使用了远小于(10^6)LAN的训练集数据的情况下达到了对似然函数更好的近似。MNLE降低了使用神经网络近似似然函数的训练门槛，能进一步推广各类决策模型的应用。

报告时间

北京时间 [GMT+8] 2022年8月24日 (周三) 20:00~21:30

会议信息： 腾讯会议 663-6637-9795

报告语言： 中文

主持人： 潘晚坷

参考文献

Boelts, R., Lueckmann, J. M., Gao, M., & Macke, J. H. (2022). Flexible and efficient likelihood approximation for decision-making models via mixture neural likelihood estimation. eLife, 11, e77220. https://doi.org/10.7554/eLife.77220

其他

录屏
PPT