Non-Vacuous Certification of Transport MCMC via Oscillation-Controlled Normalizing Flows
基于振荡控制归一化流的传输MCMC非空验证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MCMC采样器的谱隙认证与归一化流方法，属于计算统计与采样理论，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列、资产定价等方向，故不选择任何细分。
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
基于振荡控制归一化流的传输MCMC非空验证
- 研究问题
- 摘要称，传输MCMC通过训练归一化流来预条件Metropolis-Hastings提议，在复杂后验上经验效率高，但此前没有工作给出数值上非空且严格的谱隙界；本文研究如何为此类采样器建立严格谱隙界。
- 方法与思路
- 作者提出一个框架，包含三部分：用缩减尺度裁剪的谱归一化把流Lipschitz常数从10^47约束到10^4；用基于覆盖率的经验振荡界替代空洞的解析界，形成数据依赖的证书；以及振荡正则化训练，在不损害密度拟合的前提下将经验振荡降低60–90%。
- 材料陈述的贡献
- 摘要称这是首个此类严格界：在香蕉族独立MH上，D=2时认证γ*=0.828（原空间覆盖），D=5时γ*≥7.6×10^-4（在解析去扭曲高斯空间、给定数值Lipschitz认证下的网格认证梯度界），均具95%置信度；并在D=20延伸出γ*≥1.7×10^-4。
- 阅读关注点
- 应核对谱归一化与裁剪的具体设定、覆盖率振荡界的构造与置信度论证、D=5时“解析去扭曲高斯空间”与网格认证梯度界的假设是否可验证，以及四个额外目标上三类障碍的判定标准；仿射与样条比较的NLL与证书紧度如何度量也需确认。
- 阅读边界
- 摘要未说明证明细节、数值实验规模与可复现性；所给γ*数值与95%置信度均为摘要陈述，未经独立验证。该文为arXiv预印本，不能据此声称已通过同行评审或期刊接收。
原文摘要
Transport MCMC trains a normalizing flow to precondition Metropolis--Hastings proposals, achieving high empirical efficiency on challenging posteriors; yet no prior work produces a numerically non-vacuous, rigorous spectral-gap bound for such samplers. We establish the first such bounds. For independence MH on the banana family we certify (γ^\ast = 0.828) at (D = 2) (covering in the original space) and (γ^\ast \ge 7.6\times 10^{-4}) at (D = 5) (covering in an analytically unwarped Gaussian space with a grid-certified gradient bound under the stated numerical Lipschitz certification), both rigorous at 95% confidence. The framework rests on three pillars: (i) spectral normalization with reduced scale clips constrains the flow Lipschitz constant from (10^{47}) to (10^4); (ii) a coverage-based empirical oscillation bound replaces the vacuous analytical bound with a data-dependent certificate; and (iii) oscillation-regularised training cuts the empirical oscillation by 60--90% at no cost to density fit, extending practical certificates through (D = 20) ((γ^\ast \ge 1.7\times 10^{-4})). Tests on four further targets (Gaussian mixture, shear-building, Neal's funnel, Bayesian logistic regression) identify three precise barriers: boundary curvature, target stiffness, and tail-coverage mismatch. An affine-vs-spline comparison shows that simpler architectures yield tighter certificates at identical NLL, inverting the usual expressiveness hierarchy.