Communication-Efficient Distributed Statistical Inference
通信高效的分布式统计推断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：摘要提出通用分布式统计计算框架，未指定所列经济计量模型或应用方向。
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…
通信高效的分布式统计推断
- 研究问题
- 数据分布于多个计算节点时，如何用较少通信近似全局似然，同时支持低维估计、高维正则化估计和贝叶斯推断？
- 方法与思路
- 作者提出通信高效的替代似然框架 CSL，以全局似然的替代对象开展估计、置信区间构造及准后验抽样，并分析近似性质。
- 材料陈述的贡献
- 摘要称低维估计优于简单平均，高维估计达到极小极大最优性，准后验收敛于真实后验，并展示 MCMC 计算效率改善。
- 阅读关注点
- 核对数据分割及节点规模要求、通信轮数和成本定义，以及替代似然误差如何影响置信区间、高维风险与后验近似。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列最优性与后验收敛的条件，也未给出通信成本量级，不能推断刊本变化。
原文摘要
We present a communication-efficient surrogate likelihood (CSL) framework for solving distributed statistical inference problems. CSL provides a communication-efficient surrogate to the global likelihood that can be used for low-dimensional estimation, high-dimensional regularized estimation, and Bayesian inference. For low-dimensional estimation, CSL provably improves upon naive averaging schemes and facilitates the construction of confidence intervals. For high-dimensional regularized estimation, CSL leads to a minimax-optimal estimator with controlled communication cost. For Bayesian inference, CSL can be used to form a communication-efficient quasi-posterior distribution that converges to the true posterior. This quasi-posterior procedure significantly improves the computational efficiency of Markov chain Monte Carlo (MCMC) algorithms even in a nondistributed setting. We present both theoretical analysis and experiments to explore the properties of the CSL approximation. Supplementary materials for this article are available online.