A new wavelet-based variational family with copula dependence structures
基于小波与Copula依赖结构的变分推断族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：摘要聚焦贝叶斯变分推断的变分族构造与计算方法，属于统计计算方法，未涉及所给因果推断、面板、时间序列、资产定价等具体领域细分，故不选择。
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
基于小波与Copula依赖结构的变分推断族
- 研究问题
- 摘要称，变分推断的效果高度依赖变分族的灵活性，因此研究问题是如何构造一个既能刻画边际后验的复杂特征（如非对称性）、又能显式建模参数间依赖结构的灵活变分族。
- 方法与思路
- 作者提出将离散小波变换系数用于构造边际后验密度，再通过Copula函数连接各边际以得到联合分布，并给出基于ELBO的蒙特卡洛近似与自动微分的梯度优化估计流程。
- 材料陈述的贡献
- 摘要称该方法在逻辑回归、稀疏线性模型与层次模型的模拟中，后验均值估计与MCMC相当，且相对标准变分方法改善了不确定性量化；并应用于层次逻辑回归与贝叶斯条件变换模型。
- 阅读关注点
- 应核对小波基与阈值等超参数如何选取、Copula族（独立与高斯）的选择与识别条件、ELBO估计的方差与优化收敛性，以及模拟中与MCMC比较的具体指标和维度设定。
- 阅读边界
- 仅凭摘要无法判断理论保证、计算复杂度、高维下的实际表现与相对优势的稳健性；摘要未说明具体数值结果、数据来源与代码可得性。该文为arXiv预印本，未经同行评审验证。
原文摘要
Variational inference (VI) has become a widely used approach for scalable Bayesian inference, but its performance strongly depends on the flexibility of the chosen variational family. In this work, we propose a novel variational family that combines wavelet-based representations for marginal posterior densities with copula functions to model dependence structures. The marginal distributions are constructed using coefficients from the discrete wavelet transform, providing a flexible and adaptive framework capable of capturing complex features such as asymmetry. The joint distribution is then obtained through a copula, allowing for explicit modeling of dependence among parameters, including both independence and Gaussian copula structures. We develop an efficient estimation procedure based on Monte Carlo approximations of the evidence lower bound (ELBO) and automatic differentiation, enabling scalable optimization using gradient-based methods. Through extensive simulation studies, including logistic regression, sparse linear models, and hierarchical models, we demonstrate that the proposed approach achieves posterior mean estimates comparable to Markov chain Monte Carlo (MCMC) methods, while providing improved uncertainty quantification relative to standard variational approaches. Applications to hierarchical logistic regression and Bayesian conditional transformation models further illustrate the practical advantages of the method in complex, high dimensional settings. The proposed wavelet copula variational family offers a flexible and computationally efficient alternative for Bayesian inference.