Componentwise approximate Bayesian computation via Gibbs-like steps
通过类 Gibbs 步骤实现逐分量近似贝叶斯计算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。
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：摘要研究通用近似贝叶斯计算算法，未给出所列计量领域的直接应用依据。
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…
通过类 Gibbs 步骤实现逐分量近似贝叶斯计算
- 研究问题
- 在似然难以计算且参数维数较高的生成模型中，逐分量近似贝叶斯计算能否降低计算负担并保持后验近似质量？
- 方法与思路
- 作者以低维摘要统计量构造面向各条件后验的逐分量 ABC 步骤，形成类 Gibbs 马尔可夫链并研究其极限分布。
- 材料陈述的贡献
- 摘要称在部分独立条件下链依分布收敛，平稳分布接近真实后验，部分层级版本有闭式极限，并展示效率收益。
- 阅读关注点
- 应核对条件后验近似之间的相容性、部分独立条件、平稳分布误差度量，以及容差与摘要统计量的选择。
- 阅读边界
- 仅据所给 Crossref 版本摘要，此链缺少标准 Gibbs 采样的通常论证；不能认定其平稳分布就是精确后验。
原文摘要
Summary Approximate Bayesian computation methods are useful for generative models with intractable likelihoods. These methods are, however, sensitive to the dimension of the parameter space, requiring exponentially increasing resources as this dimension grows. To tackle this difficulty we explore a Gibbs version of the approximate Bayesian computation approach that runs component-wise approximate Bayesian computation steps aimed at the corresponding conditional posterior distributions, and based on summary statistics of reduced dimensions. While lacking the standard justifications for the Gibbs sampler, the resulting Markov chain is shown to converge in distribution under some partial independence conditions. The associated stationary distribution can further be shown to be close to the true posterior distribution, and some hierarchical versions of the proposed mechanism enjoy a closed-form limiting distribution. Experiments also demonstrate the gain in efficiency brought by the Gibbs version over the standard solution.