Generative Bayesian Computation as a Scalable Alternative to Gaussian Process Surrogates
生成式贝叶斯计算：高斯过程代理模型的可扩展替代方案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：摘要内容为计算机实验的代理模型与预测分布学习方法，属机器学习与统计计算交叉，未涉及所提供微观、宏观或金融计量细分方向的文本依据。
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…
关注这篇论文的作者
生成式贝叶斯计算：高斯过程代理模型的可扩展替代方案
- 研究问题
- 摘要称，高斯过程代理模型受三次计算成本、平稳性假设与高斯预测分布三方面限制；本文研究能否用生成式贝叶斯计算作为替代框架，同时针对这三项限制。
- 方法与思路
- 作者提出以隐式分位数网络（IQN）实现生成式贝叶斯计算（GBC），从输入—输出对学习完整的条件分位数函数，测试时每个分位数水平经一次前向传播即可得到预测分布抽样。
- 材料陈述的贡献
- 摘要称在十四个基准上与四种基于高斯过程的方法比较，GBC 在分段跳跃过程基准上 CRPS 提升 11–26%，在十维 Friedman 函数上提升 14%，并可线性扩展至九万训练点；边界增强变体在二维跳跃数据上可比或优于 Modular Jump GP；主动学习中随机先验 IQN 集成在 Rocket LGBB 上 RMSE 约为深度 GP 主动学习的三分之一。
- 阅读关注点
- 应核对基准与对比方法的具体设定、CRPS 与 RMSE 的计算方式、线性扩展与“不可行”的判定标准、边界增强变体的构造，以及摘要承认的平滑曲面上 GP 仍占优这一结论的适用范围。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；预印本未经同行评审或期刊接收验证。摘要未说明识别假设、理论保证、超参数选择与不确定性校准细节，所述数值结果均为作者自报，不能据此判断方法的一般优越性。
原文摘要
Gaussian process (GP) surrogates are the default tool for emulating expensive computer experiments, but cubic cost, stationarity assumptions, and Gaussian predictive distributions limit their reach. We propose Generative Bayesian Computation (GBC) via Implicit Quantile Networks (IQNs) as a surrogate framework that targets all three limitations. GBC learns the full conditional quantile function from input--output pairs; at test time, a single forward pass per quantile level produces draws from the predictive distribution. Across fourteen benchmarks we compare GBC to four GP-based methods. GBC improves CRPS by 11--26\% on piecewise jump-process benchmarks, by 14\% on a ten-dimensional Friedman function, and scales linearly to 90,000 training points where dense-covariance GPs are infeasible. A boundary-augmented variant matches or outperforms Modular Jump GPs on two-dimensional jump datasets (up to 46\% CRPS improvement). In active learning, a randomized-prior IQN ensemble achieves nearly three times lower RMSE than deep GP active learning on Rocket LGBB. Overall, GBC records a favorable point estimate in 12 of 14 comparisons. GPs retain an edge on smooth surfaces where their smoothness prior provides effective regularization.