Detecting Model Misspecification in Bayesian Inverse Problems via Variational Gradient Descent
基于变分梯度下降的贝叶斯反问题模型误设检测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：摘要讨论的是贝叶斯反问题中的模型误设检测与变分推断算法，属于贝叶斯计算与统计方法论，未涉及所给微观、宏观或金融计量细分领域的主题。
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…
关注这篇论文的作者
基于变分梯度下降的贝叶斯反问题模型误设检测
- 研究问题
- 摘要关注的问题是：当统计模型被误设时，标准贝叶斯推断可能严重失效，因此需要一种可广泛适用的诊断工具，来判断贝叶斯反问题中的模型是否被误设。
- 方法与思路
- 作者提出将标准贝叶斯后验与预测导向（PrO）方法的混合分布 Q 进行比较：PrO 把统计模型提升为无限混合模型并最小化熵正则化目标函数，若模型正确，Q 应在大样本下集中于真实参数，否则不集中。作者用变分梯度下降实现该比较。
- 材料陈述的贡献
- 摘要称其贡献是证明可通过比较标准贝叶斯后验与 PrO 后验 Q 来经验性地检测模型误设，为常规贝叶斯工作流提供一种新颖且适用面广的诊断工具，并用模拟研究和地震学贝叶斯反问题案例加以验证。
- 阅读关注点
- 阅读全文时应核对：误设检测的具体判定准则与阈值如何设定；变分梯度下降算法的收敛性与计算成本；模拟设计与地震学案例中真实模型是否已知；以及该方法在何种误设类型下可能失效。
- 阅读边界
- 仅凭摘要无法判断检测准则的理论保证、有限样本表现与适用范围；摘要未说明算法的具体实现细节、模拟规模与案例数据来源。该文为 arXiv 预印本，未经同行评审，不能据此声称已被期刊接收。
原文摘要
Bayesian inference is optimal when the statistical model is well-specified, while outside this setting Bayesian inference can catastrophically fail; accordingly a wealth of post-Bayesian methodologies have been proposed. Predictively oriented (PrO) approaches lift the statistical model $P_θ$ to an (infinite) mixture model $\int P_θ\; \mathrm{d}Q(θ)$ and fit this predictive distribution via minimising an entropy-regularised objective functional. In the well-specified setting one expects the mixing distribution $Q$ to concentrate around the true data-generating parameter in the large data limit, while such singular concentration will typically not be observed if the model is misspecified. Our contribution is to demonstrate that one can empirically detect model misspecification by comparing the standard Bayesian posterior to the PrO `posterior' $Q$, providing a novel and widely-applicable diagnostic tool for the standard Bayesian workflow. To operationalise this, we present an efficient numerical algorithm based on variational gradient descent. A simulation study, and a more detailed case study involving a Bayesian inverse problem in seismology, confirm that model misspecification can be automatically detected using this framework.