Robust Surrogate-Based Bayesian Inference via Sampling-Based Adaptive Active Learning (SALE)
基于采样的自适应主动学习：稳健的代理贝叶斯推断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。
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：摘要主要讨论通用贝叶斯计算，未明确计量应用所属的具体领域细分。
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
基于采样的自适应主动学习：稳健的代理贝叶斯推断
- 研究问题
- 当似然计算昂贵且评估预算有限时，如何自适应选择评估位置，使代理模型既找到后验集中区域，又控制后验近似误差？
- 方法与思路
- 作者以归一化高斯过程样本路径诱导的期望后验引导搜索与不确定性缩减，并自适应分配定位和校准所需的似然评估。
- 材料陈述的贡献
- 摘要称推导退火目标的稳定性与偏差权衡，以及理想规则和可实施代理的总变差误差控制，并展示基准与应用表现。
- 阅读关注点
- 应核对高斯过程设定、期望后验的计算方式、预算分配规则，以及理想设计与可实施代理之间的误差控制差异。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核验；摘要未说明具体误差界条件及应用模型，基准表现不能推出普遍优势。
原文摘要
Bayesian inference is difficult when likelihood evaluations are expensive and budgets are limited. We propose sampling-based adaptive active learning (SALE), a Gaussian-process (GP) framework for surrogate-based Bayesian inference. SALE uses the expected posterior (EP) induced by normalised GP sample paths as a common sequential-design measure: it defines a posterior-guided search region and weights uncertainty reduction (UR). A state-dependent rule allocates evaluations between Bayesian optimisation (BO) for localisation and UR for calibration. For BO, an annealed objective interpolates between the EP and Thompson sampling while regularising the query law against surrogate-path perturbations. For UR, we introduce an ideal EP-weighted rule and a computationally feasible proxy. Under a Bayesian GP framework, we characterise the annealed objective's stability--bias trade-off through perturbation and Bayesian regret bounds, derive explicit budget-dependent expected total-variation control for the ideal EP-weighted UR, and establish an expected total-variation rate for the implemented proxy. Across analytic benchmarks and simulated likelihoods, SALE reduces total-variation error across all considered settings while avoiding severe failures seen under several external baselines. Econometric and astrophysical examples demonstrate its practical value.