Sinkhorn Hamiltonian Monte Carlo for Entropic Optimal Transport Generalized Bayes
Sinkhorn 哈密顿蒙特卡洛：用于熵正则最优传输广义贝叶斯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：摘要内容为广义贝叶斯与最优传输采样的统计计算方法，未涉及所给因果推断、面板、离散选择、时间序列、资产定价等计量领域细分，故不选择任何领域。
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…
Sinkhorn 哈密顿蒙特卡洛：用于熵正则最优传输广义贝叶斯
- 研究问题
- 摘要称，针对似然可能被误设、不可解、计算昂贵或不能反映所关注差异的情形，如何用 Sinkhorn 散度作为广义贝叶斯损失，并在哈密顿蒙特卡洛（HMC）与 No-U-Turn 采样器（NUTS）中实现后验采样。
- 方法与思路
- 作者提出将 Sinkhorn 散度作为广义贝叶斯损失嵌入 HMC/NUTS，并给出设置 Sinkhorn 迭代次数、熵正则强度与边缘松弛惩罚等超参数的启发式规则；在依赖随机模拟器的前向模型中，结合共同随机数策略构造保持梯度与哈密顿动力学的确定性替代目标，并分别研究保质量的平衡设定与松弛的非平衡设定。
- 材料陈述的贡献
- 摘要称其贡献是把 Sinkhorn 散度引入广义贝叶斯并接入 HMC/NUTS，提出相关超参数启发式与随机模拟器下的共同随机数处理，并在高斯模型、噪声螺旋流形分布、存在变量误差错位的高斯脉冲模型以及 CIFAR-10 图像块对齐扰动四个场景中做经验评估，比较平衡与非平衡设定。
- 阅读关注点
- 应核对 Sinkhorn 散度作为损失的识别与校准性质、超参数启发式的适用条件与敏感性、共同随机数替代目标是否真正保持哈密顿动力学、平衡与非平衡设定的理论差异，以及四个实验的具体设置、评价指标与结论是否支持摘要中的表述。
- 阅读边界
- 仅依据摘要，无法判断方法的理论保证、收敛性与校准质量，也无法核实实验数值、对比基线及优越性；摘要未说明识别假设、定理与代码细节。该文为 arXiv 预印本，尚未经同行评审或期刊接收，引用时须注明版本限制。
原文摘要
Bayesian posterior sampling is a ubiquitous paradigm for problems where a point estimate of parameters is not sufficient, such as risk analysis and uncertainty quantification. However, likelihoods may be misspecified, intractable, computationally expensive, or not representative of the discrepancy of interest. Generalized Bayes extends likelihood-based posterior updates by using other losses. Sinkhorn divergences have appealing geometric properties: they compare empirical measures directly and yield smooth gradients thanks to entropic regularization. In this work, we introduce Sinkhorn divergences as Generalized Bayes losses for Hamiltonian Monte Carlo (HMC) and No-U-Turn Sampler (NUTS). We also propose heuristics to set hyperparameters that affect the stability and calibration quality, such as the number of Sinkhorn iterations, the entropic regularization strength, and the marginal relaxation penalty. In regimes where the forward model relies on a stochastic simulator, we combine HMC/NUTS with a common-random-numbers strategy to obtain a deterministic surrogate objective that preserves gradients and Hamiltonian dynamics. We study both mass-preserving balanced and relaxed unbalanced settings. We evaluate our method empirically on (1) a simple Gaussian model as a sanity check; (2) a distribution supported on a noisy spiral manifold where a likelihood-based approach is a poor fit; (3) a Gaussian pulse model with misalignment due to errors-in-variables, emphasizing robustness to misspecification; and (4) CIFAR-10 image patch alignment under perturbations, highlighting differences between balanced and unbalanced regimes.