WikiEdge:ArXiv速遞/2025-05-07
摘要
- 原文標題：Likelihood-Free Adaptive Bayesian Inference via Nonparametric Distribution Matching
- 中文標題：基於非參數分佈匹配的免似然自適應貝葉斯推斷
- 發佈日期：2025-05-07 17:50:14+00:00
- 作者：Wenhui Sophia Lu, Wing Hung Wong
- 分類：stat.ME, cs.LG, stat.CO, stat.ML
- 原文連結：http://arxiv.org/abs/2505.04603v1
中文摘要：當似然函數無法解析獲得且計算不可行時，近似貝葉斯計算（ABC）已成為近似後驗推斷的常用方法，但在高維設置或擴散先驗下存在嚴重的計算效率問題。為克服這些限制，我們提出自適應貝葉斯推斷（ABI）框架，該框架繞過傳統的數據空間差異度量，轉而通過非參數分佈匹配直接在後驗空間比較分佈。通過在後驗測度上採用新穎的邊緣增強切片Wasserstein（MSW）距離並利用其分位數表示，ABI將測量後驗分佈間差異的難題轉化為可處理的一維條件分位數回歸任務序列。此外，我們引入了一種新的自適應拒絕採樣方案，通過生成密度估計迭代更新提議分佈來優化後驗近似。理論上，我們建立了修剪MSW距離的參數收斂率，並證明當容忍閾值趨零時ABI後驗會收斂至真實後驗。通過大量實證評估，我們證明ABI顯著優於基於數據的Wasserstein ABC、基於摘要的ABC以及最先進的無似然模擬器，尤其在高維或依賴觀測場景中表現突出。