基于可复用局部后验的半均摊贝叶斯推理

研究者提出一种基于可复用局部后验的半均摊贝叶斯推理方法，通过将参数划分为更小的块并利用条件独立性来推断高维复杂模型。该方法仅对计算昂贵或重复更新的参数块训练神经估计器，通过马尔可夫链交替执行神经估计器的直接采样与其余变量的传统更新。神经更新无需计算似然或接受-拒绝步骤，且同一估计器可在具有相同条件结构的块与数据集之间复用。