Apr, 2024
floZ: 从后验样本中估计证据的正则化流
floZ: Evidence estimation from posterior samples with normalizing flows
Rahul Srinivasan, Marco Crisostomi, Roberto Trotta, Enrico Barausse, Matteo Breschi
TL;DR我们提出了一种基于归一化流的新方法 (floZ)，用于从一组从非归一化后验分布中抽取的样本中估计贝叶斯证据 (及其数值不确定性)。通过在已知解析证据的分布上进行验证，最多可达到 15 个参数空间维度，并与两种先进的技术进行比较，这两种技术均用于估计证据：嵌套采样 (将证据作为其主要目标进行计算) 和通过后验样本产生证据估计的 k 最近邻技术。如果有来自目标后验的代表样本可用，我们的方法对于具有尖锐特征的后验分布具有更好的鲁棒性，特别是在较高维度上。它具有广泛的适用性，例如用于估计变分推断、Markov 链蒙特卡洛样本或从非归一化后验密度中提供样本的任何其他方法。