WikiEdge:ArXiv速递/2025-05-07

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。