核心概念
小波散射表徵可以作為模擬基礎推論(SBI)的有效壓縮方法,無需進一步的神經壓縮,並優於傳統的統計壓縮方法。
本文首次展示了在圖像(即場級)模擬基礎推論(SBI)中,成功地使用散射表徵而無需進一步壓縮,並以宇宙學案例研究為例。散射表徵為後續的學習任務提供了一個高效的表徵空間,儘管更高維度的壓縮空間帶來了挑戰。我們通過空間平均和更具表達力的密度估計器克服了這些挑戰。與其他方法相比,這種方法不需要額外的模擬來進行訓練或計算導數,並且具有可解釋性和對協變移位的彈性。不出所料,我們證明了僅使用散射的方法比傳統的二階匯總統計提取了更多信息。
本研究旨在探討小波散射表徵在模擬基礎推論(SBI)中的應用,特別是其在圖像數據(場級)上的有效性和潛力。