Amortized Variational Inference for Joint Posterior and Predictive Distributions in Bayesian Uncertainty Quantification
贝叶斯不确定性量化中后验与预测分布的摊销变分推断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：摘要讨论的是贝叶斯变分推断与预测不确定性量化的计算方法，涉及偏微分方程与有限元算例，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等主题，故不选择任何细分方向。
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…
贝叶斯不确定性量化中后验与预测分布的摊销变分推断
- 研究问题
- 摘要称，贝叶斯预测推断通常分两步：先近似参数后验，再用蒙特卡洛把后验样本传播到预测模型，对偏微分方程等高保真模型计算代价高；本文关注能否直接对后验预测分布做变分近似并降低在线推断成本。
- 方法与思路
- 作者提出一个变分贝叶斯框架，直接以联合后验与预测分布为目标，同时学习两者的变分近似；摘要称其构造了KL散度的变分上界并加入基于矩的正则项，变分分布以摊销方式训练，把计算负担转移到离线阶段。
- 材料陈述的贡献
- 摘要称，该框架能联合学习后验与预测分布的变分近似，实现高效在线推断；数值实验从解析基准到有限元固体力学问题显示，其预测分布比传统两阶段变分推断更准确，同时显著降低在线预测推断成本。
- 阅读关注点
- 阅读全文时应核对：变分上界与矩正则项的具体形式及其成立条件；摊销训练中离线与在线阶段的划分与成本核算；与两阶段变分推断比较时使用的基准、误差度量与实验设置；有限元算例的规模与可复现性。
- 阅读边界
- 仅凭摘要无法判断理论保证、近似误差界、实验数值细节与相对优势的稳健性；该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收或结论已获认可。
原文摘要
Bayesian predictive inference propagates parameter uncertainty to quantities of interest through the posterior-predictive distribution. In practice, this is typically performed using a two-stage procedure: first approximating the posterior distribution of model parameters, and then propagating posterior samples through the predictive model via Monte Carlo simulation. This sequential workflow can be computationally demanding, particularly for high-fidelity models such as those governed by partial differential equations. We propose a variational Bayesian framework that directly targets the posterior-predictive distribution and jointly learns variational approximations of both the posterior and the corresponding predictive distribution. The formulation introduces a variational upper bound on the Kullback--Leibler divergence together with moment-based regularization terms. The variational distributions are trained in an amortized manner, shifting computational effort to an offline stage and enabling efficient online inference. Numerical experiments ranging from analytical benchmarks to a finite-element solid mechanics problem demonstrate that the proposed method achieves more accurate predictive distributions than conventional two-stage variational inference, while substantially reducing the cost of online predictive inference.