On the approximation accuracy of Gaussian variational inference
高斯变分推断的近似精度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：摘要属于通用贝叶斯近似理论，未限定所列经济计量领域细分。
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
高斯变分推断的近似精度
- 研究问题
- 用高斯变分分布近似高维贝叶斯后验时，总变差距离以及均值和协方差的近似误差如何随维度与样本量变化？
- 方法与思路
- 作者对对数后验作 Hermite 级数展开，利用高斯变分优化的一阶最优性条件抵消展开前项，以建立近似误差界。
- 材料陈述的贡献
- 摘要称给出高斯变分推断的总变差、均值及协方差误差界，并明确以维度和样本量描述这些近似误差。
- 阅读关注点
- 应核对后验的正则条件、各误差界的具体阶数，以及最优性条件对应何种解、实际优化误差是否纳入理论分析。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体条件、常数与维度增长限制未说明，不能据此断言高斯变分推断普遍准确或优于其他算法。
原文摘要
The main computational challenge in Bayesian inference is to compute integrals against a high-dimensional posterior distribution. In the past decades, variational inference (VI) has emerged as a tractable approximation to these integrals, and a viable alternative to the more established paradigm of Markov chain Monte Carlo. However, little is known about the approximation accuracy of VI. In this work, we bound the TV error and the mean and covariance approximation error of Gaussian VI in terms of dimension and sample size. Our error analysis relies on a Hermite series expansion of the log posterior whose first terms are precisely cancelled out by the first order optimality conditions associated to the Gaussian VI optimization problem.