Deep learning methods for likelihood-free inference :approximating the posterior distribution with convolutional neural networks

Mertens, Ulf Kai

[thumbnail of Dissertation_A_Ulf_Mertens.pdf]

PDF, Englisch - Hauptdokument
Download (4MB) | Nutzungsbedingungen

Zitieren von Dokumenten: Bitte verwenden Sie für Zitate nicht die URL in der Adresszeile Ihres Webbrowsers, sondern entweder die angegebene DOI, URN oder die persistente URL, deren langfristige Verfügbarkeit wir garantieren. [mehr ...]

DOI: 10.11588/heidok.00026383
URN: urn:nbn:de:bsz:16-heidok-263839
URL: http://www.ub.uni-heidelberg.de/archiv/26383

Abstract

In this thesis, a fast and likelihood-free approach for parameter inference is introduced. The convolutional neural network, named DeepInference, learns to predict the posterior mean and variance of multi-dimensional posterior distributions from raw simulated data. It is shown how DeepInference can be applied to the drift diffusion model (DDM) and the Lévy flight model, a likelihood-free extension of the DDM. For both models, state-of-the-art results in terms of accuracy of parameter estimation are observed.

Dokumententyp:	Dissertation
Erstgutachter:	Voß, Prof. Dr. Andreas
Ort der Veröffentlichung:	Heidelberg, Deutschland
Tag der Prüfung:	11 April 2019
Erstellungsdatum:	10 Mai 2019 11:46
Erscheinungsjahr:	2019
Institute/Einrichtungen:	Fakultät für Verhaltens- und Empirische Kulturwissenschaften > Psychologisches Institut
DDC-Sachgruppe:	004 Informatik 150 Psychologie 310 Statistik
Normierte Schlagwörter:	Likelihood, Maschinelles Lernen, Neuronales Netz
Freie Schlagwörter:	Deep learning; convolutional neural network; Approximate Bayesian Computation