An optimal transport-based generative model for Bayesian posterior sampling
基于最优传输的贝叶斯后验采样生成模型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。
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：摘要研究通用贝叶斯计算；后验秩与分位数用于探索分析，尚不足以归入经济分布效应或其他指定方向。
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
基于最优传输的贝叶斯后验采样生成模型
- 研究问题
- 面对归一化常数难以计算的贝叶斯后验，如何学习可重复使用的传输映射，以高效生成样本并支持探索性分析？
- 方法与思路
- 作者通过约束优化学习从参考分布到目标后验的确定性映射，利用最优传输结构，并适配连续及离散连续混合参数。
- 材料陈述的贡献
- 摘要称，该方法可高效生成大量独立的高质量后验样本，并提供基于最优传输多元秩与分位数的分析工具。
- 阅读关注点
- 应核对映射约束与优化目标、混合参数空间的处理、训练和采样成本，以及后验近似误差与秩分位数的定义。
- 阅读边界
- 仅据所给 Crossref 在线优先版本摘要；摘要未说明采样精确性、误差界或比较数值，不能据此认定优于其他采样方法。
原文摘要
Abstract We investigate the problem of sampling from posterior distributions with intractable normalizing constants in Bayesian inference. Building on transport map-based generative models for posterior sampling, we propose an optimal transport (OT)-constrained transport map class that learns a deterministic map from a reference distribution to the target posterior through constrained optimization. The proposed class exploits structural properties of OT maps and allows efficient generation of many independent, high-quality posterior samples. The framework supports both continuous and mixed discrete–continuous parameter spaces, with specific adaptations for latent variable models and near-Gaussian posteriors. Beyond computational benefits, it also enables new inferential tools based on OT-derived multivariate ranks and quantiles for Bayesian exploratory analysis and visualization. We demonstrate the effectiveness of our approach through multiple simulation studies and a real-world data analysis.