Métodos Neurales para la Inferencia de Parámetros Amortizados

Los métodos basados en simulaciones para hacer inferencias estadísticas han evolucionado dramáticamente en los últimos 50 años, manteniendo el ritmo con los avances tecnológicos. El campo está experimentando una nueva revolución al adoptar la capacidad representacional de las redes neuronales, bibliotecas de optimización y unidades de procesamiento gráfico para aprender mapeos complejos entre datos y objetivos inferenciales. Las herramientas resultantes son amortizadas, en el sentido de que permiten hacer inferencias rápidamente a través de operaciones de avance rápido. En este artículo revisamos los recientes avances realizados en el contexto de la estimación puntual, la inferencia bayesiana aproximada, la construcción automática de estadísticas resumidas y la aproximación de verosimilitud. La revisión también cubre el software disponible e incluye una simple ilustración para mostrar la amplia gama de herramientas disponibles para la inferencia amortizada y los beneficios que ofrecen sobre los métodos de Monte Carlo de cadenas de Markov más avanzados. El artículo concluye con un resumen de temas relevantes y una perspectiva sobre las direcciones futuras de la investigación.