查看“WikiEdge:ArXiv速递/2025-05-07”的源代码

== 摘要 ==
* '''原文标题'''：Likelihood-Free Adaptive Bayesian Inference via Nonparametric Distribution Matching
* '''中文标题'''：基于非参数分布匹配的免似然自适应贝叶斯推断
* '''发布日期'''：2025-05-07 17:50:14+00:00
* '''作者'''：Wenhui Sophia Lu, Wing Hung Wong
* '''分类'''：stat.ME, cs.LG, stat.CO, stat.ML
*'''原文链接'''：http://arxiv.org/abs/2505.04603v1
'''中文摘要'''：当[[似然函数]]无法解析获得且计算不可行时，[[近似贝叶斯计算]]（[[ABC]]）已成为近似[[后验推断]]的常用方法，但在[[高维]]设置或[[扩散先验]]下存在严重的[[计算效率]]问题。为克服这些限制，我们提出[[自适应贝叶斯推断]]（[[ABI]]）框架，该框架绕过传统的[[数据空间]]差异度量，转而通过[[非参数分布]]匹配直接在[[后验空间]]比较分布。通过在[[后验测度]]上采用新颖的[[边缘增强切片Wasserstein]]（[[MSW]]）距离并利用其[[分位数]]表示，[[ABI]]将测量[[后验分布]]间差异的难题转化为可处理的[[一维]][[条件分位数回归]]任务序列。此外，我们引入了一种新的[[自适应拒绝采样]]方案，通过生成[[密度估计]]迭代更新[[提议分布]]来优化[[后验近似]]。理论上，我们建立了修剪[[MSW]]距离的[[参数收敛]]率，并证明当[[容忍阈值]]趋零时[[ABI]]后验会收敛至[[真实后验]]。通过大量[[实证评估]]，我们证明[[ABI]]显著优于基于数据的[[Wasserstein ABC]]、基于[[摘要]]的[[ABC]]以及最先进的[[无似然模拟器]]，尤其在[[高维]]或[[依赖观测]]场景中表现突出。