Approximate Bayesian Computation via Classification
通过分类实现近似贝叶斯计算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。
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：方法本身属于通用贝叶斯计算，但摘要明确包含股票波动率估计的真实数据应用，因此选择金融波动率方向。
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…
通过分类实现近似贝叶斯计算
- 研究问题
- 在似然难以计算但可以模拟的模型中，如何减少近似贝叶斯计算对摘要统计量的依赖，并刻画分类误差对后验推断的影响？
- 方法与思路
- 作者用对比学习分类器估计真实与模拟数据分布之间的 KL 散度，将其嵌入接受拒绝核或无需接受阈值的指数加权方案。
- 材料陈述的贡献
- 摘要称，论文建立后验集中速率与分类器估计误差的联系，推导极限后验形状，并在适当缩放的指数核下得到渐近正态性。
- 阅读关注点
- 应核对分类器误差与后验集中条件、指数核的缩放规则，以及分类训练和模拟预算对理论结果及股票波动率应用的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实。摘要未说明完整正则条件或实际计算收益，不能判断任意分类器下的有效性。
原文摘要
Approximate Bayesian Computation (ABC) enables statistical inference in simulator-based models whose likelihoods are difficult to calculate but easy to simulate from. ABC constructs a kernel-type approximation to the posterior distribution through an accept/reject mechanism which compares summary statistics of real and simulated data. To obviate the need for summary statistics, we directly compare empirical distributions with a Kullback-Leibler (KL) divergence estimator obtained via contrastive learning. In particular, we blend flexible machine learning classifiers within ABC to automate fake/real data comparisons. We consider the traditional accept/reject kernel as well as an exponential weighting scheme which does not require the ABC acceptance threshold. Our theoretical results show that the rate at which our ABC posterior distributions concentrate around the true parameter depends on the estimation error of the classifier. We derive limiting posterior shape results and find that, with a properly scaled exponential kernel, asymptotic normality holds. We demonstrate the usefulness of our approach on simulated examples as well as real data in the context of stock volatility estimation.