ИСТИНА

Традиционно байесовские модели, формулируемые на языке вероятностного программирования (таких как PyMC или STAN), помимо априорных распределений на параметры содержат функцию правдоподобия. Однако для сложных моделей не всегда удается указать правдоподобие в явном виде, но можно создать симулятор, который генерит сэмплы данных при каждом заданном значении параметров. Байесовский вывод при таком likelihood-free подходе реализуется в виде последовательной аппроксимации апостериорного распределения (посредством Sequential Monte-Carlo методов) и зависит от ряда управляющий этой аппроксимацией параметров. В докладе на примере задачи эльфолокации (восстановления параметров грозового разряда по «ионосферным отпечаткам» эльфам) показано как можно применять SBI при анализе динамических изображений орбитальных многоканальных детекторов.