Praktische Amortized Bayesian Inference

Beschrijving

**🎙️ Sprekers:🎙️ Sprekers:** Thomas Wiecki, PhD, Luca Fiaschi, PhD, en**⏰ Tijd:** 15:00 UTC / 8:00 AM PT / 11:00 AM ET / 5:00 PM Berlijn Traditionele MCMC-methoden zoals NUTS zijn de gouden standaard voor parameterestimatie, maar ze stuiten op beperkingen bij het omgaan met onuitvoerbare waarschijnlijkheden, complexe simulatiemodellen of realtime productie-eisen waarbij sampling geen minuten of uren kan duren. Hier komt Amortized Bayesian Inference (ABI) om de hoek kijken: een paradigmaverschuiving waarbij generatieve AI-architecturen (zoals Normalizing Flows, Diffusion Models en Flow Matching) offline worden getraind om complexe posterior distributies te leren. Eenmaal getraind, wordt inferentie een snelle doorloop. In dit praktische webinar zal Stefan Radev (Maker van BayesFlow en Assistent Professor aan RPI) zich bij PyMC Labs voegen om te demonstreren hoe je neurale inferentienetwerken kunt trainen en ze direct kunt integreren met PyMC-werkstromen. **Wat je zult meenemen** * **De Basisprinciples van ABI:** Hoe generatieve AI simulatiemodellen omzet in onmiddellijke probabilistische inferentie-engines. * Omzeilen van Onuitvoerbare Waarschijnlijkheden: Hoe je Neural Likelihood Estimators in BayesFlow traint en deze aansluit op de JAX backend van PyMC voor MCMC-sampling. * **Train Zwaar, Zet Snel In:** Hoe je de computationele belasting offline kunt verschuiven om sub-seconde Bayesian inference in productieomgevingen te bereiken. * **Diagnostiek & Vertrouwen:** Hoe je Simulation-Based Calibration (SBC) en dekkingsdiagnostiek gebruikt om te zorgen dat je neurale netwerk geen