10:09
官方账号arXiv cs.LG@Fabian Schneider, Tapio Helin, Leila Taghizadeh
推荐理由：这篇论文给神经似然逼近奠定了凸优化理论基础，证明训练目标严格凸且样本量增大时收敛，适合数学基础扎实的研究者了解新方法。
Bayesian Inverse Problems
共 1 条相关 AI 资讯
7月8日
10:09
该论文针对高维贝叶斯反问题中传统MCMC计算成本高的问题，提出通过最小化真实后验与近似后验之间的KL散度来训练神经似然代理。作者证明，使用未归一化势并将归一化纳入训练目标后，学习问题变为严格凸优化。理论表明，随着样本量增大，数据驱动目标的经验最小化器收敛到真实似然。数值实验在去模糊和非线性PDE成像问题上验证了该方法。