정규화 플로우(normalizing flow)를 통한 교란 매개변수(nuisance parameter)가 있는 가능도-프리 추론
Likelihood-free inference with nuisance parameters through normalizing flows
우리는 관심 분포로부터의 샘플 생성기만을 기반으로, 교란 매개변수(nuisance parameter)가 존재하는 상황에서 피벗 통계량(pivotal statistic, 또는 그에 가까운 것)을 자연스럽게 드러내는, 신경망 기반 정규화 플로우(normalizing flow)의 간단한 분해 방법을 제시한다. 우리는 이 통계량이 균등분포에 대한 $p$-값의 평균 KL 발산(KL-divergence)을 최소화한다는 의미에서 준-피벗(near-pivotal) 통계량임을 보이며, 통계량의 차원이 매개변수의 차원과 같을 때 우수한 검정력(power)을 기대할 수 있다고 주장한다. 이 방법은 평행이동 및 스케일과 같은 군 불변성(group invariance)에 대한 사전 지식을 통합할 수 있다. 또한 일표본 $t$-검정(one-sample $t$-test)을 거의 정확하게 찾아낼 수 있고, 제한된 분산비 범위에서의 최악 크기(worst-case size) 측면에서 Welch 검정보다 우수하며, 부분 이연 상관(partial biserial correlation)에서 우수한 보정(calibration)을 달성한다. 아울러 소규모에서 중간 규모의 표본에서는 프로파일 가능도비(profile likelihood-ratio) 기법보다 더 높은 검정력을 보이면서도 훨씬 빠르다.