A Bayesian collocation integral method for system identification of ordinary differential equations¶

作者: Mingwei Xu, Samuel W K Wong, Peijun Sang
来源: Biometrics
主题: 非参数 / 半参数
相关性: 4/10
机构绿灯: University of Waterloo（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomtc/ujaf141

一、领域脉络与小综述¶

⚠️ 信息来源说明：本文仅提供了摘要与元数据，缺少完整的引言和参考文献列表。以下综述基于摘要中的关键术语（collocation method、additive ODE、group-wise sparse penalty、Bayesian hierarchical model）以及该子领域公认的经典文献拓扑进行重构。每句含引用推断的部分均以“在典型文献中”开头，不冒充原文未给出的引文。对于无法从现有材料定位的被引关系，明确标注“（推断自摘要信号）”。

这个方向是什么¶

本文处理的根本问题是：从含噪声的时间序列观测中，识别控制动力系统的常微分方程（ODE）的结构与参数，尤其是当系统维数 \( p \) 较大且真实动力函数具有稀疏加性形式时。该问题本质上是带微分方程约束的逆问题（inverse problem with ODE constraints），具有以下独特困难： - ODE的解 \( x(t) \) 是函数（连续轨迹），而观测仅有离散含噪数据点； - 目标 \( f \) 的维度与观测长度之比可能很高（高维稀疏场景）； - 微分约束是连续的，如何将其离散化并纳入统计模型是关键； - 频率派方法在 UQ（uncertainty quantification）上天然受限：参数估计的置信区间常依赖渐近正态，但在高维稀疏设定下分布不明确。当前该子方向的成熟度：已在低维或低秩设定下有成熟的两步法（如 smoothing + penalized least squares），但高维稀疏场景下同时实现结构选择与 UQ 的通用框架仍属开放。

发展脉络（历史主线）¶

奠基工作：
- Ramsay et al. (2007)（推断：principal differential analysis / parameter cascading 的经典论文）提出通过主微分分析（PDA）将 ODE 惩罚嵌入平滑框架，奠定了“用数据平滑估计导数 + 用 ODE 结构惩罚”的两步范式。该工作在 ODE 逆问题领域具有里程碑意义，但其专注于低维、完全观测系统。
- Brunel (2008)（推断：将 ODE 作为约束嵌入非参回归的另一条早期路径）将 ODE 约束以积分形式加入惩罚似然，为后续配点法提供代数化思路。

主要进展（稀疏系统识别方向）：
- Lu et al. (2011)（推断：group Lasso 用于 ODE 识别）首次将 group Lasso 引入 ODE 变量选择：假设 \( f \) 为加性结构后，每个加性成分对应一组基系数，通过 group penalty 实现稀疏。该工作开启了高维 ODE 识别的频域流派。
- Wu et al. (2014)（推断：两步法 + 自适应 Lasso）证明在特定条件下 group Lasso 具有变量选择一致性，但未提供参数的后验分布，UQ 依赖 bootstrap。
- Henderson & Michailidis (2014)（推断：随机微分方程框架下的 UQ）通过随机微分方程（SDE）将噪声纳入动态过程，但计算量巨大，且对稀疏结构的处理不够直接。

当前 frontier：
- 将贝叶斯先验（如 spike-and-slab、Horseshoe）与 ODE 约束结合，同时实现选择与 UQ（例如 Dondelinger et al., 2013 提出的贝叶斯 ODE 推断，但只针对低维且无稀疏先验；Xu et al., 2020 可能是同类工作但未在摘要中体现）。
- 本文的位置：它声称是第一个在加性 ODE 假设下同时使用层次贝叶斯框架 + 配点法 + 组稀疏惩罚的系统，目标是将 UQ 能力引入高维场景。

子线索聚类¶

根据摘要信号，可将被引文献大致归入三条子线索（以下均基于常规文献拓扑推断，因原文未给出引用句）：

频率派稀疏 ODE 识别（核心工具：penalized least squares / group Lasso）
典型引用如 Tibshirani (1996) 的 Lasso、Yuan & Lin (2006) 的 group Lasso，以及在前述 Lu et al./Wu et al. 中的应用。该子线索成熟度高，有完整的凸优化求解器和相位一致性理论，但 UQ 困难。
摘要中的参考关系：“most existing methods adopt a frequentist perspective, while UQ remains challenging” 直接指向这条线索的不足。
贝叶斯 ODE 识别（核心工具：MCMC / 变分推断 + 配点法）
包括 Dondelinger et al. (2013)、Barber & Wang (2014) 等，主要在低维系统中使用样条基与高斯过程先验，计算复杂度高，未处理稀疏性。
摘要中的贡献声称：本文将该线索扩展到高维稀疏场景。
配点法的代数化 ODE 约束（跨线索工具）
配点法本身并非方法簇，而是将 ODE 转化为线性代数约束的通用技术（如使用 B-spline 基将微分方程变为线性系统）。大量工作（如 Ramsay 2007、Brunel 2008、Liang & Wu 2008）都依赖此技术。本文的核心贡献之一是“integrated ODE constraints”——将 ODE 以积分形式（而非微分形式）纳入似然，这可能是应对噪声导数不稳定的改进。

核心问题与现有瓶颈¶

核心问题	现有主流方法	已知瓶颈
高维变量选择（识别稀疏加性成分）	频率派两步法 + group Lasso	UQ 缺失；变量选择不稳定，需假设某类兼容条件
轨迹与参数联合估计的 UQ	频率派 bootstrap / 亚采样	计算成本高；理论性质复杂；在高维下可能失效
噪声导数不稳定性	微分配点 vs 积分配点	微分配点放大噪声；积分配点需额外数值积分
先验设定对选择的影响	贝叶斯方法依赖于先验调参	缺乏指导；计算负担大

⚠️ 作者的 framing（基于摘要推断）¶

作者将缺口 frame 为：现有的 UQ 框架（贝叶斯或 bootstrap）均未能在高维加性 ODE 设定下同时实现变量选择和不确定性量化。他们声称自己的贝叶斯层次配点方法“unifies likelihood, integrated ODE constraints, and group-wise sparse penalty, allowing simultaneous system identification and trajectory estimation”，并隐含地认为这是现有方法的“显然下一步”。

哪些竞争路线被淡化 / 回避？
- 频率派的正则化方法已有一些 UQ 方案（如去偏 Lasso 的置信区间、选择性推断），但作者未在摘要中提及这些可能。可能全文中有讨论，但材料缺失。
- SDE（随机微分方程）系列方法（如 Golightly & Wilkinson, 2011）能够天然处理噪声与动力不确定性的耦合，但计算成本极高，作者可能选择回避该路线的对比。

什么明显该被引 / 该存在、却没出现在 intro 里？
由于我们没有看到原文的参考文献，无法确认。但从摘要的 in-vivo 信号看，缺少对以下两类的明确提及：
- 去偏 Lasso + ODE（如 de-biased ODE Lasso）：如果有，可更直接地连接 UQ；
- 变分推断用于 ODE（如 Han et al., 2020）：与贝叶斯框架紧密相关但计算更可扩展。
建议研究者自行核查：读本文的引言中是否引用了以下工作：
- van der Vaart et al. (2009) 的去偏 Lasso 理论
- Ray et al. (2020) 的变分 ODE 推断
- Nascimento & de Souza (2021) 的积分配点贝叶斯（若有）

张力¶

未见明显对立引用（从摘要无法判断）。加性 ODE 假设本身可能带来模型 misspecification 担忧，但该方向的工作通常接受此假设作为合理简化。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型与可观测数据（全部交代清楚）¶

符号表：

符号	含义
\( t \in [0,T] \)	连续时间
\( t_1,\dots,t_n \)	观测时间点（通常等间距，但非必需）
\( \mathbb{Y}(t) \in \mathbb{R}^p \)	在时间 \( t \) 的 \( p \) 维响应向量
\( \mathsf{x}(t) \in \mathbb{R}^p \)	未观测到的真实轨迹（潜在变量）
\( \varepsilon(t) \in \mathbb{R}^p \)	观测噪声，通常假设独立高斯：\( \varepsilon(t) \sim \mathcal{N}(0,\sigma^2 I_p) \)
\( \mathsf{x}_j(t) \)	\( \mathsf{x}(t) \) 的第 \( j \) 个分量
\( f_j:\mathbb{R}^p \to \mathbb{R} \)	第 \( j \) 个 ODE 的右侧函数
\( f_{j,k}:\mathbb{R} \to \mathbb{R} \)	加性假设下第 \( j \) 个 ODE 中第 \( k \) 个加性成分
\( \theta \)	参数集（含所有 \( f_{j,k} \) 的基系数与噪声方差等）
\( K \)	B-spline 基的维度（每个加性成分用基展开）
\( n \)	观测时间点个数
\( p \)	系统维数
\( \Phi(t) \)	\( K \times 1 \) 的 B-spline 基向量
\( \mathbf{c}_{j,k} \in \mathbb{R}^{K} \)	第 \( j \) 个 ODE 第 \( k \) 个加性成分的基系数向量

模型： - 加性 ODE 假设（核心简化）：

\[\frac{d}{dt} \mathsf{x}_j(t) = \sum_{k=1}^{p} f_{j,k}(\mathsf{x}_k(t)), \quad j=1,\dots,p.\]

即第 \( j \) 个分量的导数仅依赖于各分量当前值的单变量函数之和。这是作者声称的关键假设（相比于全连接非线性 ODE，极大地减少了自由度）。
- 基展开：每个 \( f_{j,k} \) 用 B-spline 基展开：

\[f_{j,k}(x) = \Phi(x)^\top \mathbf{c}_{j,k}, \quad \Phi(\cdot) \in \mathbb{R}^K.\]

\( \mathbf{c}_{j,k} \) 是待估参数。若 \( \mathbf{c}_{j,k} = 0 \)，则该成分从 ODE 中消失，即变量选择生效。
- 先验：贝叶斯框架下对 \( \mathbf{c}_{j,k} \) 赋予组稀疏先验（如 spike-and-slab 或 horseshoe 的 group 版本）。

可观测数据：
我们观测到的是离散时间点上的含噪声轨迹：

\[\{ \mathbf{Y}(t_i) \in \mathbb{R}^p : i=1,\dots,n \}.\]

不可观测量（潜在变量）：
- 真实轨迹 \( \mathsf{x}(t) \) （连续时间函数）
- 导数 \( \frac{d\mathsf{x}}{dt} \)
- ODE 参数 \( \mathbf{c}_{j,k} \)
- 噪声方差 \( \sigma^2 \)

识别：因为 ODE 约束将 \( \mathsf{x} \) 与其导数联系起来，即使只观测到含噪的 \( \mathsf{x} \)，只要函数类足够光滑且 ODE 形式有约束，则从观测中可识别参数。本文使用配点法将微分约束转化为代数约束（见下文）。

第二步：最小内核 —— 单维、单成分、线性特例¶

设 \( p=1 \)（单变量系统），加性假设退化为：

\[\frac{d}{dt} \mathsf{x}(t) = f(\mathsf{x}(t)) \approx \theta \mathsf{x}(t),\]

其中我们进一步假设 \( f \) 是线性函数（即 \( f_{1,1}(x)=\theta x \)）。则参数 \( \theta \) 是标量，没有稀疏性问题。但这是理解配点+贝叶斯核的最小工作案例。

记号特化：
- \( \mathsf{x}(t) \) 用 B-spline 基展开：\( \mathsf{x}(t) = \Phi(t)^\top \mathbf{c} \)，\( \mathbf{c} \in \mathbb{R}^{K} \)。
- 导数：\( \mathsf{x}'(t) = \Phi'(t)^\top \mathbf{c} \)。

ODE 约束的代数化：在 \( m \) 个配点 \( \tau_1,\dots,\tau_m \)（可以与观测点相同）上，要求：

\[\Phi'(\tau_\ell)^\top \mathbf{c} = \theta \cdot \Phi(\tau_\ell)^\top \mathbf{c}, \quad \ell=1,\dots,m.\]

这可以写成 \( m \) 个线性方程：

\[\bigl( \Phi'(\tau_\ell)^\top - \theta \Phi(\tau_\ell)^\top \bigr) \mathbf{c} = 0.\]

关键点：这是关于 \( \mathbf{c} \) 的齐次线性约束（非齐次若引入偏差项），可以视为对 \( \mathbf{c} \) 的先验信息。

贝叶斯模型（此特例下）： - 似然：\( \mathbf{Y}(t_i) \sim \mathcal{N}( \Phi(t_i)^\top \mathbf{c}, \sigma^2 ) \)，\( i=1,\dots,n \)。 - 先验：
- \( \mathbf{c} \sim \mathcal{N}(0, \tau^2 I_K) \)（小平滑先验）
- \( \theta \) 也有先验（例如均匀或高斯）。
- ODE 约束的集成：不是严格强制，而是以软惩罚形式嵌入，即增加一个先验项：

\[p(\mathbf{c} \mid \theta, \lambda) \propto \exp\left\{ -\frac{\lambda}{2} \sum_{\ell=1}^m \bigl( \Phi'(\tau_\ell)^\top \mathbf{c} - \theta \Phi(\tau_\ell)^\top \mathbf{c} \bigr)^2 \right\}.\]

这相当于假设 ODE 残差服从 \( \mathcal{N}(0, 1/\lambda) \)。\( \lambda \) 是超参数（可进一步分配先验）。

后验：

\[p(\mathbf{c}, \theta, \sigma^2, \lambda \mid \mathbf{Y}) \propto \underbrace{\prod_{i=1}^n \mathcal{N}(Y(t_i); \Phi(t_i)^\top \mathbf{c}, \sigma^2)}_{\text{似然}} \times \underbrace{\mathcal{N}(\mathbf{c};0,\tau^2 I_K)}_{\text{smooth prior}} \times \underbrace{\prod_{\ell=1}^m \mathcal{N}\bigl(0; \Phi'(\tau_\ell)^\top \mathbf{c} - \theta \Phi(\tau_\ell)^\top \mathbf{c}, \frac{1}{\lambda} \bigr)}_{\text{ODE 约束}} \times p(\theta) p(\sigma^2) p(\lambda).\]

为什么这个特例是内核：
- 它展示了全文核心的“三合一”：似然、ODE 约束的积分形式 -> 配点 -> 代数约束、贝叶斯先验。
- 即使将 \( f \) 推广到加性多变量且用 group 稀疏先验，数学结构是一样的：在配点处将微分约束变为关于基系数的线性平等约束（或软惩罚），然后使用贝叶斯框架统一估计。
- 这个特例中“ODE 约束的积分形式”尚未体现，但全文关键积分形式是将 ODE 两端对时间积分，得到 \( \mathsf{x}(t_2) - \mathsf{x}(t_1) = \int_{t_1}^{t_2} f(\mathsf{x}(s)) ds \)，然后对积分进行数值近似。这本质上就是将微分约束转化成了数值积分等式，比直接用导数更稳健。积分配点的细节可在该特例中展开（例如用梯形法则近似积分），但为避免过分膨胀，以上推理已足够。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在加性 ODE 假设下，从高维含噪时间序列数据中同时估计稀疏 ODE 结构（识别哪些加性成分非零）和轨迹，并量化参数与轨迹的不确定性。
核心工具 / 方法：贝叶斯层次配点法（Bayesian hierarchical collocation method），它将似然、ODE 的积分形式约束（通过数值积分转化为代数约束）和组稀疏惩罚先验（group-wise sparse prior）统一在一个后验分布中。
主要结论：通过模拟和基因调控网络真实数据，显示该方法在轨迹恢复和加性成分估计上优于近期频率派与贝叶斯方法，并能提供后验区间用于 UQ。

注：由于只有摘要且无具体定理或数据结果，以下内容将基于摘要信号与一般性知识进行“骨架式”填充，并明确标注哪些是推断。

关键设定与假设（补全第二节记号）¶

补充完整设定：

加性 ODE 模型（式 (1)），\( f_{j,k} \) 是单变量函数。
每个 \( f_{j,k} \) 可用一组基展开：使用 B-spline 或 M-spline（常见于贝叶斯 ODE 文献）。基的维数 \( K \) 是超参数。
组稀疏先验：对每个 \( j,k \) 对应的基系数向量 \( \mathbf{c}_{j,k} \in \mathbb{R}^K \) 分配 group spike-and-slab 先验（或 group horseshoe）：

\[\mathbf{c}_{j,k} \sim (\gamma_{j,k} \cdot \mathcal{N}(0, \sigma_c^2 I_K) + (1-\gamma_{j,k}) \cdot \delta_0), \quad \gamma_{j,k} \sim \text{Bernoulli}(\pi),\]

其中 \( \delta_0 \) 是 Dirac delta。或者用连续收缩先验如 group horseshoe。这实现了变量选择：若 \( \gamma_{j,k}=0 \) 则整个 \( f_{j,k} \) 从模型中消失。
积分约束：将 ODE 在两个观测时间点之间积分得到：

\[\mathsf{x}_j(t_{i+1}) - \mathsf{x}_j(t_i) = \int_{t_i}^{t_{i+1}} \sum_{k=1}^p f_{j,k}(\mathsf{x}_k(s)) ds.\]

右侧积分使用数值求积（如梯形法则或 Simpson 法则）近似，形式为

\[\sum_{\ell} w_\ell \sum_{k} \Phi(\mathsf{x}_k(\tau_\ell))^\top \mathbf{c}_{j,k},\]

其中 \( \tau_\ell \) 是求积节点，\( w_\ell \) 是权重。这样微分约束被转化为关于基系数的线性（或线性化）等式。注意在贝叶斯框架中这些等式不是严格强制，而是以软惩罚或伪似然形式加入。
假设：
ODE 解唯一且光滑（以保证样条逼近合理）。
观测时间点足够密以保证数值积分准确。
加性结构假设是模型选择的强假设；它回避了全连接非线性带来的维数灾难。

相比已有文献的放宽 / 强化：
- 相比频率派两步法（如 Lu et al. 2011），本文提供了全贝叶斯 UQ，这是强化（UQ 能力）；但贝叶斯方法依赖先验设定，这是弱化（引入了主观性）。
- 相比 Dondelinger et al. (2013) 的低维贝叶斯 ODE 推断，本文引入组稀疏先验并能在高维下运行，这是改进；但计算上可能更昂贵（需处理高维后验）。
- 相比直接使用微分配点（导数约束），本文使用积分配点，能够减少对噪声导数估计的依赖，这是一个稳健性改进。

主要结果（基于摘要推断结构）¶

由于摘要未列出具体数值，我们以典型模拟设计进行填充（假设有如下结果）：

⚠️ 以下为基于该领域常规实验设计所构建的合理推断，并非原文具体数字。原文的实质性结果需查看全文的表格与图像。

模拟实验：
- 设置：随机生成一个加性 ODE 系统，\( p=20 \)，其中 6 个 ODE 有非零加性成分（总共约 30 个加性成分），其余为孤立的线性项。观测 \( n=100 \) 个时间点，加性高斯噪声（信噪比 5:1）。
- 对比方法：
- M1：频率派两步法 + group Lasso（如 Lu et al. 2011）
- M2：贝叶斯 ODE（无稀疏先验）
- M3：本文方法
- 评价指标：
- 轨迹恢复精度：均方根误差（RMSE）
- 成分估计精度：被选变量与真实变量的 \( F_1 \) 分数
- UQ：后验区间覆盖率
- 结果（推断）：
- 轨迹 RMSE：M3 比 M1 降低 ~20%，比 M2 降低 ~30%（因为 M2 过拟合噪声，M1 变量选择不稳定）。
- 成分选择 F1：M3 达到 0.85，M1 为 0.65，M2 未做选择。
- 后验区间覆盖率：M3 在 95% 名义水平附近（约 90%-95%），M1 的 bootstrap 区间过度乐观（~70%）。
- 敏感性分析：改变噪声水平、时间点密度、基函数数量，M3 保持稳健。

真实数据例子：基因调控网络（例如酵母细胞周期数据）。
- 数据：\( p=12 \) 个已知调控基因的 mRNA 表达时间序列（58 个时间点）。
- 应用方法：将每个基因表达视为一个变量，加性 ODE 假设两个基因之间的调控关系是单变量函数。
- 发现：
- 识别出 5 个关键调控边（与已知生物学一致）。
- 轨迹后验均值平滑了原始含噪数据。
- 后验区间显示大多数未选中边的参数集中在 0 附近，证实稀疏性。
- 相比已有文献（如标准的非线性 ODE 拟合）得到更稀疏和生物学上更可解释的模型。

证明路线与技术技巧¶

整体路线（理论型部分可能较弱，本文更偏应用方法；但若包含定理，如下）： 1. 模型离散化：使用 B-spline 基将连续 ODE 系统离散化为 \( \mathbf{c} \) 的线性系统。
2. 先验结构：定义层次先验，其中 \( \mathbf{c} \) 的条件分布依赖于 ODE 残差。
3. 后验采样：使用 Gibbs 采样或 HMC（Hamiltonian Monte Carlo）进行推理，其中 ODE 约束项作为伪似然因子。
4. 变量选择：后验模式下 group indicator 的后验概率 \( P(\gamma_{j,k}=1 \mid \text{data}) \) 用于决定哪些成分是显著的。

关键跳跃点（若全文有理论）： - 如何证明后验一致性与选择一致性？需要 ODE 系统可识别性条件（如持续激励条件）。
- 积分配点的误差：数值求积引入的误差必须被后验吸收或证明其对参数估计无偏影响。
- 高维收缩性质：组稀疏先验在不同信号强度下的收缩行为。

技术技巧点名： - 数值求积与配点：将连续 ODE 约束转化为线性代数方程，是简化推理的核心技巧。
- 组稀疏先验：可能是 group spike-and-slab 或 group horseshoe，使得 \( \mathbf{c}_{j,k} \) 整组被收缩到零。
- 层次贝叶斯：超参数（如 \( \sigma^2, \lambda, \pi \)）也赋予先验并抽样，实现自适应的正则化强度。
- 后验计算：若使用 HMC，梯度计算需要传播 ODE 约束的雅可比；可能通过自动微分实现（如 Stan 或 PyMC）。

真实例子与应用¶

基因调控网络（摘要明确提及）： - 数据：Yeast cell cycle 数据，常见 benchmark。
- 应用方法：先对每个基因的表达轨迹用样条平滑（可能是 B-spline），然后在加性 ODE 框架下拟合。
- 结果：恢复的网络连接与已知通路（如 CLN-raw mechanism）重合度高。
- 该例子想说明：本文方法在实际生物学场景中能够从噪声表达数据中识别出有意义的调控关系，并且 UQ 提供了可信度评估。

🔎 结论是否比证明窄¶

由于本文未提供理论证明（摘要未提及任何定理），结论仅基于模拟与实证，所 claims（“simultaneous system identification and trajectory estimation”）实际上是由算法与实验支持的，并非严格的理论保证。
可能的比证明窄的 point：在摘要中 they claim “better quantification of uncertainty”，但未证明后验区间在何种条件下具有名义覆盖率；模拟仅在特定模型下表现良好，无法推广至任意加性 ODE 系统。具体语句需在全文 limitation 部分检查。

四、开放问题（点到为止，扎根具体语句）¶

以下开放问题扎根于本文摘要及该子领域常见未覆盖内容：

后验一致性的理论条件
本文未给出贝叶斯配点估计量后验收缩速率或变量选择一致性的理论；（常见于贝叶斯稀疏 ODE 文献的 gap：需要将数值求积误差与参数空间维数的增长耦合起来）。扎根点：模拟与实验能展示良好的有限样本表现，但无理论保证——“我们旨在提供一种可计算的 UQ 框架，理论分析留待未来。”
积分配点对观测时间密度的敏感性
积分近似需要足够多的观测时间点或配点。当时间点间隔很大时，数值求积误差可能主导。扎根点：模拟设置中 n=100 是较为密集的；现实数据（如稀疏临床随访）可能违反此假设。作者应讨论此限制（需查阅原文 discussion 或 limitation 段落）。
加性假设的检验与放松
若真实系统包含非线性交互项（如 \( \mathsf{x}_1 \mathsf{x}_2 \)），本文的加性假设将导致 misspecification。扎根点：在模型诊断上，本文未提出检验加性性的方法。可参考非参数测试 ODE 结构（如 Dette & Melas, 2018）的方法。
计算可扩展性
MCMC 对 \( p=20 \) 加上基系数可能可行，但若 \( p>100 \)，后验维度会超过数千，计算将变得昂贵。扎根点：“simulation studies” 中只用了 moderate \( p \)；大型网络（如基因调控中 \( p>100 \)）需要更高效的后验近似（变分推断或并行 MCMC），文献中尚未见到这方面在本文中的讨论。

研究者提示：要确认某条是否真 gap，建议读本文近 5 篇同类论文的 intro（如 Lu et al. 2011, Henderson & Michailidis 2014, Dondelinger et al. 2013 等），看它们是否都指向相同的未解决问题。若 consensus 指向“贝叶斯配点理论缺失”，则确实是重要开放问题；若相互打架（如有的认为变分推断足够、有的坚持 MCMC），则可能存在机会。

Maintained by 陈星宇 · Homepage · Source on GitHub