Wildner, Christian ; Koeppl, Heinz (2022)
Moment-Based Variational Inference for Stochastic Differential Equations.
24th International Conference on Artificial Intelligence and Statistics (AISTATS) 2021. Virtual (13.-15.04.2021)
doi: 10.26083/tuprints-00021512
Konferenzveröffentlichung, Zweitveröffentlichung, Verlagsversion
Kurzbeschreibung (Abstract)
Existing deterministic variational inference approaches for diffusion processes use simple proposals and target the marginal density of the posterior. We construct the variational process as a controlled version of the prior process and approximate the posterior by a set of moment functions. In combination with moment closure, the smoothing problem is reduced to a deterministic optimal control problem. Exploiting the path-wise Fisher information, we propose an optimization procedure that corresponds to a natural gradient descent in the variational parameters. Our approach allows for richer variational approximations that extend to state-dependent diffusion terms. The classical Gaussian process approximation is recovered as a special case.
| Typ des Eintrags: | Konferenzveröffentlichung |
|---|---|
| Erschienen: | 2022 |
| Autor(en): | Wildner, Christian ; Koeppl, Heinz |
| Art des Eintrags: | Zweitveröffentlichung |
| Titel: | Moment-Based Variational Inference for Stochastic Differential Equations |
| Sprache: | Englisch |
| Publikationsjahr: | 2022 |
| Ort: | Darmstadt |
| Verlag: | PMLR |
| Buchtitel: | Proceedings of The 24th International Conference on Artificial Intelligence and Statistics |
| Reihe: | Proceedings of Machine Learning Research |
| Band einer Reihe: | 130 |
| Veranstaltungstitel: | 24th International Conference on Artificial Intelligence and Statistics (AISTATS) 2021 |
| Veranstaltungsort: | Virtual |
| Veranstaltungsdatum: | 13.-15.04.2021 |
| DOI: | 10.26083/tuprints-00021512 |
| URL / URN: | https://tuprints.ulb.tu-darmstadt.de/21512 |
| Zugehörige Links: | |
| Herkunft: | Zweitveröffentlichungsservice |
| Kurzbeschreibung (Abstract): | Existing deterministic variational inference approaches for diffusion processes use simple proposals and target the marginal density of the posterior. We construct the variational process as a controlled version of the prior process and approximate the posterior by a set of moment functions. In combination with moment closure, the smoothing problem is reduced to a deterministic optimal control problem. Exploiting the path-wise Fisher information, we propose an optimization procedure that corresponds to a natural gradient descent in the variational parameters. Our approach allows for richer variational approximations that extend to state-dependent diffusion terms. The classical Gaussian process approximation is recovered as a special case. |
| Status: | Verlagsversion |
| URN: | urn:nbn:de:tuda-tuprints-215125 |
| Sachgruppe der Dewey Dezimalklassifikatin (DDC): | 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik 500 Naturwissenschaften und Mathematik > 510 Mathematik 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau |
| Fachbereich(e)/-gebiet(e): | 18 Fachbereich Elektrotechnik und Informationstechnik 18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Nachrichtentechnik > Bioinspirierte Kommunikationssysteme 18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Nachrichtentechnik 18 Fachbereich Elektrotechnik und Informationstechnik > Self-Organizing Systems Lab |
| Hinterlegungsdatum: | 20 Jul 2022 13:36 |
| Letzte Änderung: | 26 Jul 2022 08:52 |
| PPN: | |
| Zugehörige Links: | |
| Export: | |
| Suche nach Titel in: | TUfind oder in Google |
 |
Frage zum Eintrag |
Optionen (nur für Redakteure)
 |
Redaktionelle Details anzeigen |
Drucken
Impressum