A general framework for cutting feedback within modularized Bayesian inference
模块化贝叶斯推断中切断反馈的一般框架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：摘要研究模块化贝叶斯推断；有向无环图用于模型组织，未提供因果识别或经济网络研究的直接依据。
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
模块化贝叶斯推断中切断反馈的一般框架
- 研究问题
- 当多来源贝叶斯模型的部分组件可能误设时，如何定义模块并切断可疑模块反馈，从而构造多模块推断分布？
- 方法与思路
- 作者正式定义模块，给出模块识别、排序及有向无环图中的切断分布构造方法，并通过顺序拆分扩展到多个模块。
- 材料陈述的贡献
- 摘要称，所构造分布切断指定反馈，且在满足该约束的分布中以 KL 散度最佳近似联合分布，并以应用说明多模块扩展。
- 阅读关注点
- 应核对模块定义与排序规则、反馈切断的约束形式、KL 最优性的比较对象，以及顺序拆分对最终分布的影响。
- 阅读边界
- 仅据 Crossref 摘要；摘要未说明可疑模块如何判定或误设程度，受约束的 KL 最优性不等于所有推断性能均改善。
原文摘要
Abstract Standard Bayesian inference enables building models that combine information from various sources, but this inference may not be reliable if components of the model are misspecified. Cut inference, a particular type of modularized Bayesian inference, is an alternative that splits a model into modules and cuts the feedback from any suspect module. Previous studies have focused on a two module case, but a more general definition of a ‘module’ remains unclear. We present a formal definition of a ‘module’ and discuss its properties. We formulate methods for identifying modules; determining the order of modules; and building the cut distribution that should be used for cut inference within an arbitrary directed acyclic graph structure. We justify the cut distribution by showing that it not only cuts the feedback but also is the best approximation to the joint distribution satisfying this condition in Kullback–Leibler divergence. We also extend cut inference for the two module case to a general multiple-module case via a sequential splitting technique and demonstrate this via illustrative applications.