Nonparametric Deconvolution and Denoising using Simulation Based Inference
基于模拟推断的非参数去卷积与去噪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：摘要聚焦非参数去卷积、生成模型与模拟推断的理论方法，未涉及所给微观、宏观或金融领域细分的具体应用或数据结构，故不选择任何细分方向。
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…
基于模拟推断的非参数去卷积与去噪
- 研究问题
- 摘要称，研究如何在加性测量误差下，同时学习潜在信号及其分布，实现非参数密度去卷积与经验贝叶斯去噪，且不依赖可解的似然。
- 方法与思路
- 作者提出基于卷积最大均值差异（convMMD）损失的无似然框架，通过匹配观测数据分布与噪声卷积后的模型分布来学习潜在生成模型，适用于同方差或异方差噪声，并兼容高斯混合、归一化流等筛类。
- 材料陈述的贡献
- 摘要称，理论上将 convMMD 从参数估计推广到非参数估计，给出经验筛最小化子的有限样本界与 Sobolev 光滑下的 L2 收敛速率，速率呈现经典反问题的多项式（常光滑）与对数（超光滑）依赖。
- 阅读关注点
- 阅读全文时应核对：convMMD 损失的具体构造与可微性、筛类与噪声设定的识别条件、有限样本界与收敛速率所需的假设、模拟实验与真实数据应用，以及经验先验用于后验去噪的实际表现。
- 阅读边界
- 仅凭摘要无法判断识别假设是否充分、定理条件是否现实、数值结果优劣及与既有方法的比较；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Latent signals are often obscured by measurement noise, yet encode the underlying laws and dynamics of complex systems; learning both the signals and their distributions remains a central challenge in scientific inference. The noise is often non-negligible, and the likelihoods for expressive generative models are often intractable. We utilize a convolutional maximum mean discrepancy (convMMD) loss and propose a likelihood-free framework for nonparametric density deconvolution and empirical Bayes denoising under additive measurement error. Our method learns a latent generative model by matching the observed data distribution to the noise-convolved model distribution. This yields a differentiable, simulation-based objective for multivariate homoscedastic or heteroscedastic noise, compatible with expressive sieve classes such as Gaussian mixtures and normalizing flows. The learned density then serves as an empirical prior for posterior denoising of individual latent values. Theoretically, we extend convMMD from parametric to nonparametric estimation, proving finite-sample bounds for empirical sieve minimizers and $L_2$ convergence rates under Sobolev smoothness. These rates recover the classical inverse-problem dependence: polynomial for ordinary-smooth and logarithmic for super-smooth noises. Our method provides a practical, theoretically grounded approach to deconvolution and denoising under generative latent distribution models.