Stability of Sequential and Parallel Coordinate Ascent Variational Inference
序贯与并行坐标上升变分推断的稳定性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：摘要讨论变分推断算法的收敛性，属于统计计算与优化理论，未涉及所提供领域细分中的因果推断、面板、时间序列或金融计量等方向。
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…
关注这篇论文的作者
序贯与并行坐标上升变分推断的稳定性
- 研究问题
- 摘要关注序贯与并行两种坐标上升变分推断算法在行为上的差异，具体研究在中等高维线性回归问题中，两者的收敛保证所需条件有何不同。
- 方法与思路
- 作者以中等高维线性回归为设定，比较序贯算法与并行变分算法的收敛性质，指出序贯算法通常较慢但在更宽松条件下具备收敛保证，而并行变体常用于分块更新与提升计算效率。
- 材料陈述的贡献
- 摘要称揭示了两种广泛使用的坐标上升变分推断变体之间的显著行为差异，并说明这一差异在面向变分推断优化的文献中尚未被充分探讨。
- 阅读关注点
- 阅读全文时应核对：线性回归的具体设定与维度条件、收敛保证所依赖的假设、序贯与并行算法条件差异的精确表述，以及结论是否可推广到其他模型。
- 阅读边界
- 仅凭摘要无法判断证明细节、假设强度与数值表现；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。
原文摘要
We highlight a striking difference in behavior between two widely used variants of coordinate ascent variational inference: the sequential and parallel algorithms. While such differences were known in the numerical analysis literature in simpler settings, they remain largely unexplored in the optimization-focused literature on variational inference in more complex models. Focusing on the moderately high-dimensional linear regression problem, we show that the sequential algorithm, although typically slower, enjoys convergence guarantees under more relaxed conditions than the parallel variant, which is often employed to facilitate block-wise updates and improve computational efficiency.