Finite-Particle Rates for Regularized Stein Variational Gradient Descent
正则化 Stein 变分梯度下降的有限粒子速率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：摘要讨论的是 Stein 变分梯度下降的有限粒子收敛速率与 Wasserstein 梯度流，属于概率与统计计算理论，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向。
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…
正则化 Stein 变分梯度下降的有限粒子速率
- 研究问题
- 研究正则化 Stein 变分梯度下降（R-SVGD）在有限粒子数下的收敛速率问题，即如何刻画该 N 粒子相互作用系统逼近真实（非核化）Wasserstein 梯度流的误差。
- 方法与思路
- 作者对 He 等（2024）提出的 R-SVGD 算法进行非渐近分析，该算法通过 resolvent 型预条件子修正 SVGD 的常数阶偏差；摘要称对时间平均（退火）经验测度建立显式有限粒子界，覆盖连续与离散时间动力学。
- 材料陈述的贡献
- 摘要称给出时间平均经验测度在真实 Fisher 信息下的收敛界，并在目标满足 W1I 条件下对一大类光滑核得到 W1 收敛；同时给出正则化参数、步长与平均时长的调参规则，量化逼近梯度流与控制有限粒子估计误差之间的权衡。
- 阅读关注点
- 应核对：所依赖的假设（如 W1I 条件、核的光滑性）具体形式；界中粒子数 N、步长与正则化参数的显式依赖；连续与离散时间结果的差异；调参规则是否由界直接推出，以及是否与已有 SVGD 速率可比。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；这是预印本，不能据此声称已通过同行评审或期刊接收。摘要未说明具体常数、证明技术、假设的充分性检验及数值实验。
原文摘要
We derive finite-particle rates for the regularized Stein variational gradient descent (R-SVGD) algorithm introduced by He et al. (2024) that corrects the constant-order bias of the SVGD by applying a resolvent-type preconditioner to the kernelized Wasserstein gradient. For the resulting interacting $N$-particle system, we establish explicit non-asymptotic bounds for time-averaged (annealed) empirical measures, illustrating convergence in the \emph{true} (non-kernelized) Fisher information and, under a $\mathrm{W}_1\mathrm{I}$ condition on the target, corresponding $\mathrm{W}_1$ convergence for a large class of smooth kernels. Our analysis covers both continuous- and discrete-time dynamics and yields principled tuning rules for the regularization parameter, step size, and averaging horizon that quantify the trade-off between approximating the Wasserstein gradient flow and controlling finite-particle estimation error.