模型不怕算不出，就怕算不准！SME-BETEL让贝叶斯推断在复杂数据下稳如泰山，覆盖提升还免调参
Robust Bayesian Inference for Unnormalized Models with Mixed-Domain Data
📖 AI 总结
该研究提出了一种名为SME-BETEL的贝叶斯推断框架，用于处理含不可计算归一化常数的非标准化统计模型。该方法结合了得分匹配估计方程与贝叶斯指数倾斜经验似然，无需计算归一化常数，也无需调整学习率。研究者证明了得分匹配估计量的一致性和渐近正态性，并建立了SME-BETEL后验的Bernstein-von Mises定理，表明其可信区间在模型误设下仍具有有效的频率学覆盖。针对混合域数据，该框架进一步扩展了得分匹配准则，适用于包含不同样本空间成分的模型，如具有不可处理空间归一化积分的偏好采样模型。模拟实验显示，SME-BETEL在模型正确设定时表现良好，在误设时显著改善了不确定性量化。臭氧监测应用验证了该方法在空间偏好建模中的实用性。
🔑 关键词速览
| SME-BETEL | 一种结合得分匹配估计方程与贝叶斯指数倾斜经验似然的半参数贝叶斯框架，用于处理未归一化模型。 |
| score matching estimating equations | 基于得分函数匹配的估计方程，用于估计未归一化模型参数，避免计算归一化常数。 |
| Bayesian exponentially tilted empirical likelihood | 一种贝叶斯经验似然方法，通过指数倾斜调整权重，以增强对模型误设的稳健性。 |
| Bernstein-von Mises theorem | 贝叶斯中心极限定理，表明后验分布在大样本下近似正态，且可信集具有频率论有效性。 |
| mixed-domain data | 观测数据由来自不同样本空间的成分组合而成，例如空间点过程与连续变量混合的数据。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅