跳转至

Information-Computation Inversion in Pseudo-Marginal MCMC

作者: Zihan Xu
主题: 统计计算 / 算法
相关性: 6/10
链接: https://arxiv.org/abs/2608.19718

一、领域脉络与小综述

这个方向是什么

本文研究的核心问题是：在伪边际MCMC（pseudo-marginal MCMC）框架下，观测设计如何同时影响后验推断的统计信息含量与用于恢复该信息的随机计算的效率。具体而言，当观测数据变得更精细（例如从总计数变为等位基因特异性计数）时，它可能同时增强似然对比度（统计分离）和恶化似然估计量的随机性（计算难度），导致一个“信息-计算反转”现象：更强的精确后验分离与更差的有限步后验泛函恢复共存。这是一个连接统计推断（后验泛函的识别与估计）与统计计算（MCMC的有限步精度与计算成本）的交叉问题。

发展脉络（history）

该方向的发展可以追溯到伪边际MCMC的奠基工作，并逐步深入到有限步精度与计算分配的分析：

  1. 奠基工作：伪边际MCMC的提出与精确性

    • Andrieu & Roberts (2009) 和 Andrieu et al. (2010) 建立了伪边际MCMC的核心框架：通过嵌入一个非负无偏似然估计量到一个扩展目标分布，使得参数边际分布恰好是目标后验。这为处理似然不可解析计算的模型（如随机反应网络）提供了精确的推断工具。本文的整个分析建立在这个框架之上。

  2. 主要进展：效率分析与收敛理论

    • Doucet et al. (2015) 和 Sherlock et al. (2015) 研究了似然噪声和粒子滤波计算量如何影响伪边际MCMC的效率，特别是接受概率和渐近方差。这些工作为理解计算资源分配提供了基础。
    • Andrieu & Vihola (2015, 2016) 建立了伪边际MCMC的收敛性质（如几何遍历性）和渐近方差比较的理论框架。他们证明了估计量的方差是影响链混合速度的关键因素。
    • Deligiannidis et al. (2018) 提出了相关伪边际方法（correlated pseudo-marginal），通过引入辅助变量之间的相关性来稳定似然比，从而改善混合。这是本文“路径条件转移”方法中“耦合继承”操作的重要技术前身。
    • Andrieu et al. (2022, 2026) 使用弱庞加莱不等式（weak Poincaré inequalities）将高伪边际权重与慢收敛和计算分配联系起来。他们证明了大的保留权重会阻碍链的混合，这与本文定理3.1中“高保留权重导致有限步误差下界”的结论在精神上一致，但本文关注的是有限步风险而非渐近混合。

  3. 当前Frontier：有限步精度与函数特异性分析

    • Rabinovich et al. (2020) 研究了MCMC的函数特异性混合时间（function-specific mixing times），指出有限步MCMC的精度可以依赖于被估计的函数。这直接启发了本文对“声明的后验泛函”（declared posterior functional）的有限步风险分析。
    • Sherlock (2024) 和 Abaoubida et al. (2025) 等近期工作关注伪边际MCMC的鲁棒调优、自适应粒子滤波和估计器层面的故障控制。这表明该领域正从渐近理论转向更实际的有限样本和鲁棒性问题。

  4. 本文的位置 本文在上述工作的基础上，提出了一个新的分析对象：当观测设计同时改变后验信息和似然估计量随机律时，固定步长下后验泛函的均方误差。它通过推导一个“逆权重接受界”和“两区域推论”，首次形式化地证明了“信息-计算反转”现象的存在。然后，它利用这个障碍来指导计算分配，提出了一个“路径条件转移”方法，并在随机转录和基因网络实验中进行了实证评估。

子线索聚类

这些被引文献大致落在以下三条子线索上：

  • 线索一：伪边际MCMC的收敛与效率理论。核心是理解估计量噪声如何影响链的渐近行为（混合、方差）。代表工作：Andrieu & Roberts (2009), Andrieu & Vihola (2015, 2016), Doucet et al. (2015), Sherlock et al. (2015), Andrieu et al. (2022, 2026)。
  • 线索二：改善伪边际MCMC的计算效率。核心是通过设计更好的提议分布或辅助变量耦合来降低估计量噪声或提高接受率。代表工作：Deligiannidis et al. (2018), Tran et al. (2017), Golightly et al. (2019), Maire et al. (2014)。
  • 线索三：有限步MCMC精度与函数特异性分析。核心是研究在有限运行时间下，MCMC对特定后验泛函的恢复精度。代表工作：Rabinovich et al. (2020)。本文是这条线索在伪边际MCMC框架下的一个具体应用和推广。

这个方向在追问的核心问题

  1. 有限步风险如何量化？ 对于给定的后验泛函和计算预算（步数B），伪边际MCMC的均方误差是多少？它如何依赖于似然估计量的随机律和链的初始状态？
  2. 统计信息与计算难度如何相互作用？ 当观测设计变化时，后验分离度（统计信息）和似然估计量的可靠性（计算难度）是否总是同向变化？如果反向变化，哪个效应占主导？
  3. 如何根据有限步风险来分配计算资源？ 能否设计一种MCMC转移核，使其在有限步内更有效地恢复目标后验泛函，而不是仅仅追求渐近最优性？

⚠️ 作者的 framing

  • 作者的缺口frame：作者将缺口frame为“现有伪边际MCMC理论主要关注渐近性质（如混合、渐近方差），而忽略了有限步下后验泛函的恢复精度，特别是当观测设计同时改变统计信息和计算难度时”。作者声称，他们的“信息-计算反转”现象和“路径条件转移”方法是“显然的下一步”，因为它们直接处理了这个被忽视的有限步风险问题。
  • 被淡化或回避的竞争路线：
    • 自适应粒子滤波：作者在实验中确实进行了“有限候选估计器校准”，但并未将其作为核心理论或方法贡献。他们似乎认为，即使经过校准，反转现象仍然存在（见3.1节末尾），因此问题不在于找到一个“更好”的粒子滤波，而在于理解观测设计本身带来的结构性矛盾。
    • 更复杂的MCMC方案：作者回避了与更复杂的MCMC方案（如HMC、SMC²）的直接比较。他们的方法是在标准伪边际Metropolis-Hastings框架内进行的，通过修改提议分布和辅助变量耦合来解决问题，而不是引入一个全新的MCMC架构。
  • 什么明显该被引/该存在、却没出现在intro里？
    • 关于“信息-计算权衡”的统计计算理论文献：作者提到了“information–computation inversion”，但intro中完全没有引用统计计算理论中关于“信息-计算差距”（information-computation gap）的经典文献（如与低度多项式屏障、统计查询模型、平均情况困难性相关的文献）。这些文献研究的是在精确推断（如MLE）中，统计上可达到的精度与多项式时间算法可达到的精度之间的差距。本文的“反转”现象是在近似推断（MCMC）的有限步精度语境下，与上述经典文献中的“差距”概念有本质不同，但作者没有明确区分或引用。这是一个值得研究者去查的张力点：本文的“反转”与经典“信息-计算差距”有何联系与区别？
    • 关于“有限步MCMC风险”的通用理论：作者引用了Rabinovich et al. (2020)关于函数特异性混合时间的工作，但未引用更广泛的关于MCMC有限步误差界（如基于谱间隙、漂移条件）的文献。这可能是因为本文的界（定理3.1）非常具体地依赖于伪边际MCMC的“保留权重”结构，而非通用的MCMC理论。

张力

未见明显对立引用。所有被引工作都在不同方面支持或补充了伪边际MCMC的理论与应用，没有发现彼此矛盾或在略不同条件下得相反结论的情况。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • θ：参数，是我们要推断的对象。
    • y：观测数据。
    • p(θ)：参数的先验密度。
    • L(θ) = p(y|θ)：似然函数，通常是不可解析计算的。
    • π(θ) ∝ p(θ)L(θ)：目标后验分布。
    • Ψ = ∫ ψ(θ)π(θ)dθ：声明的后验泛函（scalar posterior functional），是我们要估计的目标。ψ(θ)是一个可测函数，例如，如果ψ(θ) = 1{θ > 0}，那么Ψ就是θ > 0的后验概率。
    • U：用于生成似然估计的辅助随机变量，其分布为M_θ。
    • bL(θ, U)：非负无偏似然估计量，满足E[bL(θ, U)] = L(θ)。
    • W = bL(θ, U) / L(θ)：似然估计量的“权重”，其期望为1。Q_θ是W在给定θ下的分布。
    • (θ, w)：伪边际MCMC的扩展状态（extended state），包含参数和保留的权重。
    • eπ(dθ, dw) ∝ p(θ)wQ_θ(dw)dθ：扩展目标分布。它的参数边际是π。注意，在扩展目标下，w的分布是大小偏倚的（size-biased），即wQ_θ(dw)。
    • B：MCMC的运行步数（horizon）。
    • bΨ_B = (1/B) Σ_{t=1}^B ψ(Θ_t)：基于B步MCMC样本的经验后验泛函。
    • R_B(ψ) = E[(bΨ_B - Ψ)^2]：固定步长B下的后验泛函风险（均方误差）。
    • H(θ)：反向入界因子（reverse inbound factor），衡量从其他状态跳回θ的难度。
    • h(θ)：科学事件函数（scientific event function），取值为0或1，定义了“路径”（route）。例如，h(θ) = 1{θ > 0}。
    • ρ(θ, θ')：路径指示，如果h(θ) ≠ h(θ')则为“交叉”（cross），否则为“相同”（same）。
    • r(X) = log bL(θ, u) - m(θ)：保留残差（retained residual），其中m(θ)是一个固定的中心化函数。

  • 模型：

    • 数据生成机制：由隐马尔可夫模型（HMM）或随机反应网络（stochastic reaction network）生成。观测y是潜在状态X(t)的部分观测。
    • 统计模型：贝叶斯模型，目标是从后验π(θ)中进行推断。由于似然L(θ)不可解析计算，使用伪边际MCMC。
    • 计算模型：伪边际Metropolis-Hastings算法。在每一步，从当前扩展状态(θ, w)出发，提议一个新的参数θ'，并独立地（在“新鲜估计量”类中）从M_{θ'}中抽取一个新的权重w'。接受概率为1 ∧ [p(θ')bL(θ', w') q(θ|θ', w')] / [p(θ)bL(θ, w) q(θ'|θ, w)]。如果拒绝，则保留整个扩展状态(θ, w)。

  • 可观测数据：

    • 可观测：观测数据y。在MCMC过程中，我们可以观测到参数序列{θ_t}和似然估计序列{bL(θ_t, U_t)}。
    • 想要但观测不到：
      1. 真实似然L(θ)。
      2. 真实后验泛函Ψ。
      3. 似然估计量的真实分布M_θ和权重分布Q_θ。
      4. 潜在状态X(t)。

第二步：讲最小内核

本文的核心数学困难可以归结为一个两区域模型下的“信息-计算反转”问题。这是整篇论文证明路线的最小内核。

最简特例：两区域模型

假设参数空间只有两个区域，记为J ∈ {0, 1}。我们的目标后验泛函是Ψ = π(J=1)，即区域1的后验概率。观测设计决定了两个区域的后验对数几率（log odds）Δ = log[π(J=1) / π(J=0)]，以及每个区域下似然估计量的权重分布W_0和W_1（均值为1）。

伪边际MCMC过程： * 当前链在区域0，保留的权重为w（这个w是从大小偏倚分布W_0^*中抽取的，即Pr(W_0^* ∈ dw) = w Pr(W_0 ∈ dw)）。 * 提议总是跳到区域1。 * 从区域1的权重分布W_1中抽取一个独立的新权重w'。 * 接受这个提议的概率为： a_Δ(w) = E[ 1 ∧ (e^Δ * w' / w) ]。 这里，e^Δ是后验几率比，w'和w是估计量权重。

核心命题（Corollary 3.2的简化版本）： 定义Q_B(Δ; W_0, W_1) = E[ {1 - a_Δ(W_0^*)}^B ]，即链在B步内从未离开区域0的概率（非逃逸概率）。

  1. 固定估计量律：如果W_0和W_1的分布固定，那么Q_B是Δ的非增函数。也就是说，后验分离越强（Δ越大），有限步内逃逸出错误区域（区域0）的概率越大。这符合直觉。

  2. 改变估计量律：现在，假设我们改变观测设计，使得：

    • 后验分离增强：Δ_r > Δ_c。
    • 同时，区域0的权重分布发生变化，其大小偏倚版本W_{0,r}^*在概率上趋于无穷大（即W_{0,r}^* → ∞ in probability）。
    • 那么，对于任意固定的Δ_r和B，Q_B(Δ_r; W_{0,r}, W_1) → 1。也就是说，尽管后验分离更强了，但链在有限步内几乎肯定无法逃逸出区域0。

为什么？ 因为当W_{0,r}^*非常大时，接受概率a_Δ(w) ≈ E[1 ∧ (e^Δ w' / w)]会变得非常小（因为分母w巨大）。即使分子e^Δ也变大了，但分母的增长速度（趋于无穷）压倒了分子的增长（固定有限）。因此，链几乎每次都会拒绝跳到区域1，从而被困在区域0。

这就是“信息-计算反转”：更强的统计信息（更大的Δ）与更差的计算表现（更高的非逃逸概率Q_B）共存。这个最小内核清晰地展示了，当观测设计同时改变后验和估计量律时，统计排序和计算排序可以完全相反。整篇论文的一般化定理（定理3.1）和路径条件转移方法，都是在这个最小内核的基础上进行推广和应对。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在伪边际MCMC中，当观测设计同时改变后验信息（统计分离度）和似然估计量的随机律时，固定步长下后验泛函的恢复性能（均方误差）会如何变化，并发现了“信息-计算反转”现象。
  2. 核心工具/方法：推导了一个“逆权重接受界”（inverse-weight acceptance bound）来刻画有限步风险的下界；提出了一个“路径条件转移”（route-conditioned transition）方法，根据科学事件函数（h(θ)）定义的路径来分配耦合继承和独立刷新，以缓解上述障碍。
  3. 主要结论：证明了“信息-计算反转”的存在：更强的精确后验分离可以与更差的有限步恢复共存。在基因网络实验中，路径条件转移方法在所有96个保留状态下都减少了粒子滤波的墙钟时间（平均减少42.4%），但恢复的非劣效性未被证实。

关键设定与假设

  • 伪边际MCMC框架：假设似然估计量bL(θ, U)是非负且无偏的。这是整个方法的基础。
  • 新鲜估计量类（Fresh-estimator class）：定理3.1和路径条件转移方法都假设提议的权重w'是从Q_{θ'}中独立抽取的，与当前保留的权重w无关。这是为了简化分析，但作者在讨论部分指出，扩展到相关/分块伪边际核需要新的论证。
  • 路径对称性：路径条件转移方法要求路径函数ρ(θ, θ')是对称的，即ρ(θ, θ') = ρ(θ', θ)。这由h(θ)的定义自然满足。
  • 辅助变量交换恒等式（Swap identity）：命题4.1要求耦合继承核C^{inherit}_{θ,θ'}满足一个交换恒等式M_θ(du) C^{inherit}_{θ,θ'}(u, du') = M_{θ'}(du') C^{inherit}_{θ',θ}(u', du)。作者在补充材料中通过构造一个交换对称的联合粒子滤波耦合来满足这个条件。
  • 与已有文献的对比：相比Andrieu & Vihola (2015, 2016)的渐近方差分析，本文的假设更侧重于有限步和函数特异性。相比Deligiannidis et al. (2018)的相关伪边际方法，本文的耦合是路径条件化的，即只在交叉路径上使用耦合，在相同路径上使用独立刷新，这更节省计算。

主要结果

定理3.1（保留状态有限步泛函障碍）： * 陈述：对于任何保留状态(θ, w)，一步总接受概率A(θ, w)被min(1, H(θ)/w)所界定。如果链从未离开这个状态，那么B步后的经验泛函bΨ_B就等于ψ(θ)。因此，条件均方误差有一个下界：E[(bΨ_B - Ψ)^2 | θ, w] ≥ {ψ(θ) - Ψ}^2 * (1 - H(θ)/w)_+^B。 * 直觉：如果保留权重w非常大，那么接受任何提议的概率都很低（因为H(θ)/w很小）。链很可能被困在当前状态θ。如果这个状态θ的泛函值ψ(θ)与真实值Ψ相差很大（即θ是一个“功能不一致”的状态），那么就会产生一个大的有限步误差。 * 必要条件：H(θ) < ∞，即反向入界因子有限。 * 解决的技术难点：将接受概率的上界与保留权重w联系起来，从而将“高权重”与“低接受率”和“高误差”联系起来。

推论3.2（信息-计算反转）： * 陈述：在两区域模型中，固定估计量律时，非逃逸概率Q_B随后验分离度Δ增加而减小（符合直觉）。但是，当区域0的权重分布变化，使其大小偏倚版本趋于无穷时，Q_B趋于1。因此，存在一个严格正的Δ_r > Δ_c和一个权重分布W_{0,r}，使得后验分离S(Δ_r) > S(Δ_c)，但非逃逸概率Q_B(Δ_r; W_{0,r}, W_1) > Q_B(Δ_c; W_{0,c}, W_1)。 * 直觉：这个推论形式化地证明了“信息-计算反转”的存在。它表明，即使后验信息更强，如果估计量律变差（特别是保留权重的尾部变重），有限步计算效果也可能更差。 * 必要条件：W_{0,λ}^* → ∞ in probability。作者给出了一个简单的两点分布作为例子。 * 解决的技术难点：将“信息”（后验分离）和“计算”（非逃逸概率）的排序分离，并证明它们可以反向。

命题4.1（路径条件辅助分配的有效性）： * 陈述：在满足交换恒等式的条件下，算法1中的Metropolis-Hastings转移关于扩展目标eπ是可逆的，因此其参数边际是精确的后验π。 * 直觉：这个命题保证了路径条件转移方法是一个精确的伪边际MCMC算法，不会引入额外的近似误差。 * 必要条件：交换恒等式成立。 * 解决的技术难点：证明通过路径分配不同的辅助变量操作（耦合继承 vs. 独立刷新）仍然能保持对扩展目标的可逆性。

证明路线与技术技巧

定理3.1的证明路线： 1. 上界接受概率：从保留状态(θ, w)出发，一步接受概率A(θ, w)是提议密度q_w(θ, θ')和接受概率1 ∧ R(x, x')的积分。利用1 ∧ r ≤ r，将接受概率上界为(1/(π(θ)w)) ∫ π(θ') ∫ w' q_{w'}(θ', θ) Q_{θ'}(dw') dθ'。这个积分就是H(θ)。因此A(θ, w) ≤ H(θ)/w。 2. 下界非逃逸概率：由于拒绝会保留整个状态，B步内从未被接受的概率至少是(1 - H(θ)/w)_+^B。 3. 下界条件风险：在从未被接受的条件下，所有B个样本都是θ，因此bΨ_B = ψ(θ)。条件均方误差至少是(ψ(θ) - Ψ)^2乘以非逃逸概率。 4. 平稳风险下界：将条件风险对扩展目标eπ积分，并限制在功能不一致且高权重的集合D_{δ,C} × [M, ∞)上，得到平稳风险R_B(ψ)的下界。

关键跳跃点： * 从接受概率到H(θ)/w的放缩。这个放缩是非常宽松的，因为它用1 ∧ r ≤ r替换了接受概率，并且将积分从提议的支持集S_{θ,w}扩展到了整个参数空间Θ。这个宽松的界是获得一个简洁下界的关键，但也意味着这个下界可能不是紧的。 * 将“高保留权重”与“功能不一致”联系起来。定理3.1本身并不要求状态空间是两区域的，但推论3.2通过一个两区域模型，将“高权重”与“错误区域”联系起来，从而清晰地展示了反转现象。

技术技巧点名： * 1 ∧ r ≤ r放缩：用于将复杂的接受概率积分简化为一个更易处理的上界。 * 大小偏倚分布（Size-biased distribution）：用于描述在扩展目标下保留权重的分布。这是伪边际MCMC理论中的一个标准技巧。 * 交换恒等式（Swap identity）：用于证明路径条件转移的可逆性。这是处理非对称提议或耦合辅助变量的标准工具。 * 分裂马尔可夫跳跃过程耦合（Split Markov jump process coupling）：用于构造满足交换恒等式的耦合继承核。这是Anderson & Koyama (2015)的技术。 * 耦合粒子滤波（Coupled particle filters）：用于在粒子滤波层面实现交换对称的耦合。这是Jacob et al. (2016)的技术。

真实例子与应用

本文包含两个主要的真实数据例子：

  1. 受控转录实验（Controlled transcription experiment）：

    • 数据/场景：一个两等位基因的随机转录模型。观测数据是20个时间点的转录本计数。对比两种观测设计：等位基因特异性（AS，记录每个等位基因的计数）和总计数（TC，只记录总和）。总计数是等位基因特异性记录的一个确定性粗化。
    • 方法应用：使用伪边际MCMC对两个参数（θ_on, θ_syn）进行后验推断。比较两种观测设计下的参考似然对比度、粒子滤波可靠性和有限链诊断。
    • 结果：
      • 统计信息：等位基因特异性观测的参考似然对比度在所有三个匹配数据集中都更大（例如，2.146 vs 0.969 vs 4.838）。这说明更精细的观测增强了统计分离。
      • 计算难度：等位基因特异性观测的粒子滤波可靠性更差（7/36次非有限评估 vs 0/40），似然估计误差更大（RMSE 1.442 vs 0.356），链的初始化更困难。
      • 结论：这个例子直观地展示了“信息-计算反转”：更精细的观测增强了统计信息，但恶化了计算性能。它验证了理论，并说明了这个问题的实际相关性。

  2. 基因网络比较（Gene-network comparison）：

    • 数据/场景：一个7状态、14反应的随机基因网络，有20个纵向等位基因特异性观测。目标后验泛函是Ψ_gene = Pr(|z_2 - z_1| ≥ log 2)，即两个基因的速率比至少为2倍的后验概率。
    • 方法应用：比较路径条件转移方法与一个路径无关的组合方法（route-agnostic combined comparator）。使用96个新鲜的保留状态进行前瞻性评估。
    • 结果：
      • 计算成本：路径条件转移方法在所有96个状态下都减少了粒子滤波的墙钟时间。配对几何平均比为0.576，对应42.4%的减少。95% bootstrap区间为[0.548, 0.604]。
      • 恢复精度：恢复损失差ΔR = 0.00529，点估计在预先声明的非劣效性边界m_R = 0.00573之内，但95% bootstrap区间[-0.0006, 0.0111]延伸到了边界之上。因此，恢复的非劣效性未被证实。
      • 结论：这个例子展示了路径条件转移方法在节省计算成本方面的显著优势，但同时也揭示了在恢复精度上可能存在的权衡。它定义了一个“成本-恢复边界”。

🔎 结论是否比证明窄

  • 定理3.1的界是否紧？ 作者在证明中明确指出，接受概率的上界A(θ, w) ≤ H(θ)/w是通过1 ∧ r ≤ r放缩得到的，这是一个非常宽松的界。因此，定理3.1给出的风险下界可能远非紧的。作者在推论3.2中通过一个具体的两区域模型展示了反转现象，但并未证明这个界在一般情况下是可达的或紧的。作者在讨论部分提到“两个直接扩展”之一是需要一个允许提议估计量依赖于保留辅助状态的相关/分块伪边际核的函数风险论证，这暗示了当前定理的局限性。
  • 路径条件转移方法的通用性：作者在基因网络实验中展示了该方法在节省计算成本上的有效性，但在Lotka-Volterra挑战中，全核比较并未显示出一致的优势（见补充材料表S8，路径条件转移的损失仅比路径无关组合低0.87%）。作者将Lotka-Volterra实验定位为“机制可移植性”测试，而非“全核性能”测试。这表明，路径条件转移方法的优势可能依赖于特定的目标系统、估计器和计算机制，其通用性并未被严格证明。
  • “信息-计算反转”的普遍性：作者通过一个受控实验和一个两区域推论展示了反转现象，但并未证明它在所有或大多数实际场景中都会发生。论文的结论是“可以发生”，而非“总是发生”。

四、开放问题

  1. 紧的下界与更一般的反转条件：定理3.1给出的风险下界是宽松的。能否推导出一个更紧的界，或者刻画“信息-计算反转”发生的充分必要条件？这需要更精细地分析H(θ)和保留权重分布Q_θ之间的关系。（扎根于：定理3.1的证明使用了1 ∧ r ≤ r放缩，推论3.2只给出了一个充分条件W_{0,λ}^* → ∞ in probability。）

  2. 扩展到相关/分块伪边际核：本文的分析和路径条件转移方法都假设了“新鲜估计量”类（提议权重独立于当前权重）。如何将函数风险论证扩展到相关伪边际方法（Deligiannidis et al., 2018）或分块伪边际方法（Tran et al., 2017）？在这些方法中，提议的估计量依赖于保留的辅助状态，这使得接受概率的分析更加复杂。（扎根于：讨论部分“Correlated and blocked pseudo-marginal kernels need a functional-risk argument that allows the proposed estimator to depend on the retained auxiliary state.”）

  3. 多区域或连续路径几何：本文的路径条件转移方法依赖于一个二元的科学事件函数h(θ)。对于更复杂的科学目标，例如多个后验概率或连续的后验泛函，如何定义路径并分配计算资源？这需要发展多区域或连续路径几何的理论。（扎根于：讨论部分“Scientific targets beyond binary posterior events call for multi-region or continuous route geometry.”）

  4. 联合观测设计与计算设计：本文展示了观测设计可以同时影响统计信息和计算难度，并导致反转。一个更宏大的问题是：能否联合设计观测方案和随机似然计算方法，以优化某个后验泛函的有限步恢复性能？这需要将观测设计、粒子滤波设计和MCMC设计整合到一个统一的优化框架中。（扎根于：讨论部分“A further step is to design the observation and stochastic likelihood calculation against the same posterior-functional criterion. The controlled transcription example shows why that joint design problem matters.”）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论