Likelihood-Free Inference via Structured Score Matching
基于结构化得分匹配的无似然推断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：摘要讨论的是无似然推断与得分匹配的一般统计方法，未涉及因果推断、面板、离散选择、时间序列、资产定价等具体领域细分，故不选择任何领域。
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
基于结构化得分匹配的无似然推断
- 研究问题
- 研究问题：当数据分布由生成过程给出、似然函数解析不可解时，如何对相关模型参数进行估计并量化不确定性。
- 方法与思路
- 方法思路：作者提出将得分匹配与基于梯度的优化及自助法（bootstrap）程序结合的无似然推断框架，并引入定制得分匹配估计量近似似然得分函数，同时加入嵌入对数似然得分统计结构的架构正则化方案。
- 材料陈述的贡献
- 摘要所述贡献：提出上述无似然推断框架与定制得分匹配估计量及架构正则化方案，摘要称给出理论保证，并通过数值实验显示其相较现有方法表现良好。
- 阅读关注点
- 阅读时应核对：得分匹配估计量的具体构造与识别条件、架构正则化如何嵌入统计结构、理论保证的确切形式与假设、自助法不确定性量化的有效性条件，以及数值实验的设定与比较基准。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断理论保证的具体内容、假设强度、实验设计与结果细节；摘要未说明适用模型类别、样本量与计算成本。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
In many statistical problems, the data distribution is specified through a generative process for which the likelihood function is analytically intractable, yet inference on the associated model parameters remains of primary interest. We develop a likelihood-free inference framework that combines score matching with gradient-based optimization and bootstrap procedures to facilitate parameter estimation together with uncertainty quantification. The proposed methodology introduces tailored score-matching estimators for approximating likelihood score functions, and incorporates an architectural regularization scheme that embeds the statistical structure of log-likelihood scores to improve both accuracy and scalability. We provide theoretical guarantees and demonstrate the practical utility of the method through numerical experiments, where it performs favorably compared to existing approaches.