A computationally-tractable measure of global sensitivity for sampling-based Bayesian inference
基于抽样的贝叶斯推断中计算可行的全局敏感性度量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：摘要提出通用贝叶斯敏感性度量，时间序列仅是多个展示场景之一，尚不足以确定其属于所列特定领域方法。
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…
基于抽样的贝叶斯推断中计算可行的全局敏感性度量
- 研究问题
- 如何在中高维贝叶斯推断中，以可承受的计算成本衡量先验或似然超参数扰动对整个后验及其前两阶矩的影响？
- 方法与思路
- 作者基于 Fisher 散度开展全局敏感性分析，仅需要参考后验样本和得分函数计算，并在正则条件下控制后验变化与矩变化。
- 材料陈述的贡献
- 摘要称，该方法计算上较易实施，可给出前两阶矩扰动界，并展示于未归一化模型、时间序列贝叶斯模型和神经模拟推断。
- 阅读关注点
- 核对 Fisher 散度与后验变化控制的关系、参考样本可用性、得分函数计算要求，以及高维表现和矩界依赖的正则条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未展开正则条件、扰动范围及误差评估，计算可行性仍取决于样本和得分函数的获取。
原文摘要
Bayesian inference can often be sensitive to the choice of hyperparameters of the prior or likelihood, yet defining and quantifying this sensitivity in a principled and computationally feasible way remains challenging in practice. Unfortunately, existing sensitivity methods are rarely applicable in modern Bayesian workflows due to their high computational cost and poor performance in moderate to high dimensions. To address these limitations, we introduce a new approach to global sensitivity analysis based on the Fisher divergence. Our method only requires a set of samples from a reference posterior and the ability to evaluate score functions, making it broadly computationally tractable. Under mild regularity conditions, it controls changes in the whole posterior, and provides a bound on the impact of perturbations on the first two moments. We demonstrate these strengths on challenging Bayesian inference problems which are practically out of reach of existing approaches, including generalised Bayesian inference for unnormalised models, inference in Bayesian models of time series, and neural simulation-based inference.