超越全局散度:贝叶斯推断的局部质量视角
Beyond Global Divergences: A Local-Mass Perspective on Bayesian Inference
精选理由
从局部质量视角解释贝叶斯更新,揭示全局KL难以捕捉的后验行为并提供可验证工具。
AI 摘要
arXiv:2606.27090v2 发布类型:替换交叉版本 摘要:KL散度和ELBO等全局目标被广泛用于贝叶斯推断中的分布差异度量。本文研究这类全局目标无法直接刻画的分布“局部质量行为”。我们引入并使用两种数学工具:(1)Mass Index,用于记录局部质量的多项式衰减尺度和对数衰减尺度;(2)正则化扩展KL(RE-KL),一种集合局部化的散度,即使存在奇异分量时也可以进行定义。Mass Index有助于刻画贝叶斯更新如何改变局部质量:(1)幂对数似然因子会使其发生显式偏移;(2)依赖参数的支集,或其平滑化形式,可能通过保留在参数值附近的质量大小改变局部尺度。利用局部RE-KL,我们证明了在两个KL方向下比较局部小球质量的绝对不等式、相对不等式和方向性不等式。综合而言,这些结果从局部角度对局部质量行为给出了理论解释。实验对局部行为进行了受控展示,并表明,在ImageNet上直至ResNet-50的贝叶斯神经网络变分后验中,这种方向性比较仍然可见。代码见 https://github.com/Forsythia0604/Local-Mass-Framework。