Beyond Independence: on Jointly Normal Priors in Bayesian Inversion
超越独立性：贝叶斯反演中的联合正态先验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论贝叶斯反演中的联合高斯先验构造与推断，属于统计与计算方法方向，未涉及所给微观、宏观或金融计量领域细分的具体主题，故不选择任何细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
超越独立性：贝叶斯反演中的联合正态先验
- 研究问题
- 摘要称，研究在贝叶斯框架下由观测数据联合反演两个或多个未知参数时，如何在不改变各参数边际先验分布的前提下引入参数间相关性，并处理相关性本身的不确定性。
- 方法与思路
- 作者提出构造具有指定高斯边际的联合高斯先验，通过一种保持边际的联合协方差构造，允许空间变化的交叉相关，并支持对相关性本身进行不确定性与推断；摘要称该构造对任意严格压缩映射成立，在主平方根分解下具有典型相关意义下的最优性。
- 材料陈述的贡献
- 摘要称其贡献是给出一种保持边际分布、可容纳空间变化交叉相关并允许对相关性做推断的联合协方差构造，并用先验抽样与若干推断示例（含一个低维示例、两个高维示例及一个 PDE 约束问题）展示忽略相关性不确定性可能带来的问题。
- 阅读关注点
- 阅读全文时应核对：联合协方差构造的具体形式与严格压缩条件、主平方根分解下最优性的确切含义与证明、边际保持性的验证方式、相关性不确定性的先验设定与后验推断细节，以及各示例的设定与结论是否支持摘要中的说法。
- 阅读边界
- 仅凭摘要无法判断构造的实际计算可行性、高维与 PDE 示例的具体表现、最优性的适用范围，也无法确认是否经过同行评审；该来源为 arXiv 预印本，不能据此声称已被期刊接收。
原文摘要
We consider joint inversion for two or more unknown parameters from observational data in the Bayesian framework. Standard approaches often either treat the parameters as independent or impose structural similarity through regularisation terms that can be difficult to interpret statistically. We instead construct jointly Gaussian prior models with prescribed Gaussian marginals, so that correlation between the parameters can be incorporated without altering the marginal prior distributions. We propose a joint covariance construction that preserves the marginals, allows spatially varying cross-correlation, and supports uncertainty and inference in the correlation itself. The construction is valid for any strict contraction encoding the desired cross-correlation and is optimal in a canonical correlation sense under the principal square root factorisation. We demonstrate the method using prior sampling and several inference examples: a low-dimensional illustrative example and two higher-dimensional examples, including a PDE-constrained problem. The examples highlight both the potential pitfalls of ignoring or neglecting uncertainty in the correlation as well as reinforcing a key principle of the Bayesian paradigm: unknown quantities included in a model should be treated as random variables.