跳转至

Nonparametric Bayesian Inference for Partially Identified Discrete Response Models

作者: Elie Tamer, Christopher D. Walker
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.25814

一、领域脉络与小综述

这个方向是什么

这个子方向关注的是部分可识别（partially identified）模型的统计推断问题。在经济学和因果推断中，许多结构模型（如博弈模型、动态离散选择模型、有限考虑集模型）的结构参数γ并非点可识别，而是被一个识别集（identified set） Γ_I 所刻画，即所有与数据生成过程（DGP）和模型假设相容的γ构成的集合。该领域的核心统计问题是：如何对这样一个集合值参数进行有效的推断（估计、置信区域、假设检验），尤其是在协变量X连续、模型可能误设定的情况下。当前，频率学派方法（如条件矩不等式、线性规划）是主流，但面临计算复杂、需要离散化协变量或选择无条件矩等实际困难。

发展脉络

  1. 奠基工作：部分识别与识别集的刻画

    • Manski (1987), Tamer (2003), Ciliberto and Tamer (2009)：奠定了部分识别在离散选择模型和博弈模型中的基础，指出识别集由条件矩不等式（CMI）或线性系统刻画。这些工作主要关注识别集的定义，而非统计推断。
    • Manski and Tamer (2002), Honoré and Tamer (2006)：将部分识别扩展到区间删失回归和动态面板模型，并提出了基于无条件矩的推断方法，但通常需要协变量具有有限支撑或进行离散化。

  2. 主要进展：频率学派推断方法

    • Chernozhukov, Hong and Tamer (2007)：提出了基于准则函数的识别集估计和置信区域构造的一般框架，引入了“多项式小量条件”（polynomial minorant condition）来保证估计量的 Hausdorff 一致性。
    • Andrews and Shi (2013, 2014, 2017), Armstrong (2014, 2015)：发展了针对条件矩不等式的频率学派推断理论，核心思想是将条件矩转化为一系列无条件矩（通过工具变量或核函数），然后应用无条件矩不等式推断方法。这些方法在理论上严谨，但面临“工具变量选择”和“离散化”的挑战，可能导致识别信息损失或推断结果对用户选择敏感（作者在引言中明确指出了这一点）。
    • Khan and Tamer (2009), Chen, Christensen and Tamer (2018)：提出了基于蒙特卡洛模拟的置信集构造方法，为部分识别模型提供了更实用的推断工具。

  3. 当前前沿：贝叶斯推断与计算友好方法

    • Kline and Tamer (2016)：开创性地提出了“简约式贝叶斯推断”（reduced-form Bayesian inference）框架，将识别集视为简约式参数（有限维）的函数，通过后验抽样进行推断。关键限制：简约式参数必须是有限维的，因此无法处理连续协变量。
    • Liao and Simoni (2019), Florens and Simoni (2021)：使用支持函数和 Dirichlet 过程将贝叶斯推断扩展到更一般的识别集，但同样要求简约式参数以参数速率可估，排除了连续协变量下的条件 PMF。
    • Norets and Tang (2014)：对结构动态离散选择模型进行贝叶斯推断，但假设状态空间有限。
    • Giacomini and Kitagawa (2021)：提出了“稳健贝叶斯”方法，通过将先验放在结构参数上并考虑所有可能的“信念更新”来得到识别集的后验，但计算上可能复杂。

  4. 本文的位置：本文直接填补了上述贝叶斯方法的空白。它观察到，对于一大类离散响应模型，识别集Γ_I 完全由简约式条件概率质量函数（PMF）p(X) 决定。因此，对 p 进行非参数贝叶斯推断，自然就得到了对 Γ_I 的贝叶斯推断。本文的核心贡献在于：

    • 提出了一个通用的、非参数贝叶斯框架，直接对条件 PMF 建模，无需离散化连续协变量或选择无条件矩。
    • 提供了一个基于逻辑斯蒂-断棍-高斯过程（LSBGP） 的具体实现，该实现计算上友好（后验抽样可闭式进行，且可并行化）。
    • 证明了在正确设定下，后验对真实识别集具有Hausdorff 一致性；在误设定下，后验能一致地检测误设定，并对伪识别集（pseudo-identified set）也一致。

子线索聚类

  1. 频率学派条件矩不等式推断：Andrews and Shi (2013, 2014, 2017), Armstrong (2014, 2015), Chernozhukov et al. (2013), Chetverikov (2018) 等。核心是处理条件矩不等式，但面临工具变量选择和离散化问题。
  2. 频率学派线性系统推断：Bai et al. (2022, 2026), Fang et al. (2023), Goff and Mbakop (2025)。针对由线性不等式系统定义的识别集，通常需要协变量有限支撑。
  3. 简约式贝叶斯推断：Kline and Tamer (2016), Liao and Simoni (2019), Florens and Simoni (2021), Norets and Tang (2014), Walker (2026)。核心思想是将结构参数视为简约式参数的函数，对简约式参数进行贝叶斯推断。本文属于此线索，但将其推广到非参数条件 PMF。
  4. 非参数贝叶斯水平集估计：Gayraud and Rousseau (2005, 2007), Li and Ghosal (2021)。在统计学中研究未知函数水平集的贝叶斯估计，与本文的识别集估计有技术联系。

这个方向在追问的核心问题

  1. 如何在不损失识别信息的前提下，对由条件矩不等式定义的识别集进行推断？ 当前主流方法（离散化、选工具变量）会损失信息或引入主观性。
  2. 如何为部分识别模型提供一个计算上可行且理论上严谨的贝叶斯框架？ 现有贝叶斯方法要么限制简约式参数维数，要么计算复杂。
  3. 在模型误设定下，贝叶斯推断的性质是什么？ 后验是否还能提供有意义的推断？能否作为模型诊断工具？
  4. 如何将贝叶斯部分识别推断扩展到更复杂的设定（如连续响应、聚合数据）？

⚠️ 作者的 framing

  • 作者的缺口定位：作者将缺口 frame 为“现有贝叶斯部分识别方法（Kline and Tamer 2016, Liao and Simoni 2019）无法处理连续协变量下的条件 PMF，而频率学派方法（Andrews and Shi 2013）需要离散化或选工具变量”。因此，本文的“显然下一步”是：直接对非参数条件 PMF 进行贝叶斯推断，从而避免这些妥协。
  • 被淡化或回避的竞争路线：
    • 频率学派方法的计算效率：作者强调其贝叶斯方法计算友好（闭式后验抽样），但未与频率学派方法（如 Chen et al. 2018 的蒙特卡洛方法）进行直接的计算复杂度比较。
    • 稳健贝叶斯方法：作者引用了 Giacomini and Kitagawa (2021) 的稳健贝叶斯方法，但将其定位为“其他论文”，未深入讨论其与本文方法的优劣。稳健贝叶斯方法对先验的敏感性有不同处理方式。
    • 后验一致性的“强”条件：作者承认后验一致性在无穷维模型中是个微妙问题，并引用了 Freedman (1963) 和 Diaconis and Freedman (1986) 的反例。但作者通过为 LSBGP 先验提供低阶充分条件来“增强可信度”，这本质上是在证明其方法在特定先验下是安全的，而非解决所有贝叶斯非参数推断的固有问题。
  • 什么明显该被引/该存在、却没出现在 intro 里？：intro 中未提及与计算-统计权衡（statistical-computational tradeoff） 相关的文献。部分识别问题中，识别集的形状和大小可能非常复杂，计算其精确边界（如线性规划）本身就是一个计算挑战。本文虽然将识别集计算作为后处理步骤，但未讨论当识别集本身计算困难时（例如，由大量非线性不等式定义），其方法的实际可行性。这是一个值得研究者去查的问题。

张力

未见明显对立引用。文献脉络清晰，不同方法（频率学派 vs. 贝叶斯）和不同设定（有限维 vs. 无穷维）之间是互补而非矛盾的关系。主要的张力在于频率学派方法的理论严谨性与贝叶斯方法的计算便利性/灵活性之间的权衡，本文试图在贝叶斯框架下同时实现两者。

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：

    • Y: 离散响应变量，取值于有限集 Y = {y_1, ..., y_K}。
    • X: 协变量向量，可以是连续的，取值于 X ⊆ R^{dx}。
    • (Y_i, X_i')': 第 i 个观测样本，i = 1, ..., n。
    • p(X) = (p_1(X), ..., p_K(X)): 简约式条件概率质量函数（PMF），其中 p_k(X) = P(Y = y_k | X)。这是核心的、可识别的简约式参数。
    • γ: 有限维的结构参数（例如，效用函数中的系数），取值于参数空间 Γ ⊆ R^{dγ}。这是目标参数，但可能部分不可识别。
    • Γ_I: 识别集，即所有与模型和数据相容的 γ 的集合。Γ_I = {γ ∈ Γ : f(X, p(X), γ) ≥ 0 a.s.}。
    • f: 一个已知的向量值函数，它编码了模型的识别约束（例如，条件矩不等式或线性系统）。
    • Q_n(γ, p): 准则函数，用于判断 γ 是否在识别集中。Q_n(γ, p) = 0 当且仅当 γ ∈ Γ_{n,I}(p)。
    • Π: 对无穷维参数 p 的先验分布。
    • Π_n(· | Y^{(n)}): 给定样本 Y^{(n)} 后，p 的后验分布。

  • 模型：

    • 数据生成机制：给定协变量 X_i = x_i，响应变量 Y_i 独立地服从以 p(x_i) 为 PMF 的 Categorical 分布。即 Y_i | X_i = x_i ~ Categorical(p(x_i))。
    • 统计模型：p 是一个完全未知的、从 X 到 K 维概率单纯形的函数。这是一个非参数模型。
    • 已知：函数 f 是已知的，它由经济理论或因果假设决定。
    • 要估的对象：结构参数 γ 的识别集 Γ_I。注意，Γ_I 本身是 p 的一个函数（泛函），因此对 p 的推断直接转化为对 Γ_I 的推断。

  • 可观测数据：

    • 可观测：{(Y_i, X_i')'}_{i=1}^n。我们能看到每个个体的离散响应 Y_i 和其协变量 X_i。
    • 潜在/不可观测：真实的简约式 PMF p_0(X) 是未知的。结构参数 γ 的真实值（如果存在）也是未知的，且可能不是唯一的（这正是部分识别的核心）。我们只能通过模型约束 f 来推断 γ 可能取值的集合 Γ_I。

第二步：讲最小内核

本文的核心思想可以用一个最简单的特例来理解：一个二元离散选择模型，没有协变量（或协变量是离散的、有限取值的）。

  • 最简特例设定：

    • Y 是二元的，即 K=2，Y ∈ {0, 1}。
    • 没有协变量 X。那么 p(X) 退化为一个常数 p = (p_0, p_1)，其中 p_1 = P(Y=1)，p_0 = 1 - p_1。这是一个一维的、有限维的参数。
    • 假设模型是一个简单的不完全博弈（如 Tamer 2003 的简化版）。结构参数 γ 是一个标量（例如，进入市场的利润阈值）。模型给出的识别约束是：γ 必须满足 f(p, γ) ≥ 0，其中 f 是一个已知函数。例如，f(p, γ) = p_1 - γ 和 f(p, γ) = γ - p_0，这意味着 γ ∈ [p_0, p_1]。因此，识别集 Γ_I(p) = [p_0, p_1]。

  • 核心思路：

    1. 对简约式参数进行贝叶斯推断：我们不知道真实的 p_0，但我们可以从数据 Y_1, ..., Y_n 中对 p 进行贝叶斯推断。我们给 p 一个先验（例如，Beta 分布），然后计算后验 Π_n(p | Y^{(n)})。这个后验完全刻画了我们对 p 的不确定性。
    2. 将后验映射到识别集：关键观察是：识别集 Γ_I(p) 是 p 的一个确定性函数。在这个例子中，Γ_I(p) = [p_0, p_1]。因此，一旦我们从后验中抽取了一个 p 的样本，我们就可以直接计算出对应的识别集 Γ_I(p)。
    3. 得到识别集的后验：通过重复上述过程，我们得到一系列识别集的样本 {Γ_I(p^{(s)})}_{s=1}^S。这些样本的分布就是识别集的后验分布 Π_n(Γ_I | Y^{(n)})。我们可以用它来回答诸如“某个 γ 值属于识别集的后验概率是多少？”之类的问题。

  • 为什么这个特例抓住了核心？

    • 它清晰地展示了本文的两步法：① 对可识别的简约式参数 p 进行贝叶斯推断 → ② 通过一个已知的、确定性的映射 p → Γ_I(p) 得到识别集的后验。
    • 它避免了所有为处理连续协变量而引入的复杂技术（高斯过程、断棍表示等），让核心思想一目了然。
    • 论文的一般情形（连续 X、多类别 Y、更复杂的 f）只是这个特例的“加壳”：将常数 p 替换为函数 p(X)，将简单的区间 [p_0, p_1] 替换为更复杂的集合 {γ: f(X, p(X), γ) ≥ 0 a.s.}，将简单的 Beta 先验替换为复杂的 LSBGP 先验。但核心的“两步走”逻辑完全不变。

三、这篇论文做了什么

三句话

  1. 研究问题：为部分可识别的离散响应模型（其识别集由条件 PMF 决定）提出一个通用的非参数贝叶斯推断框架。
  2. 核心工具/方法：将识别集视为简约式条件 PMF 的函数，通过对 PMF 使用逻辑斯蒂-断棍-高斯过程（LSBGP）先验进行非参数贝叶斯推断，然后通过后验抽样和确定性映射得到识别集的后验。
  3. 主要结论：证明了在正确设定下，识别集的后验在 Hausdorff 距离下具有一致性；在误设定下，后验能一致地检测模型误设定，并对伪识别集也一致。同时，为 LSBGP 先验提供了后验一致性的低阶充分条件，并证明了其在经验均方根下的最优收敛速率。

关键设定与假设

  • 核心记号（已在第二节交代）：Y, X, p(X), γ, Γ_I, f, Q_n。
  • 关键假设：
    • Assumption 1 & 2 (正则性条件)：确保后验分布 Π_n(p | Y^{(n)}) 是良定义的。这是贝叶斯推断的标准条件。
    • Assumption 3 & 4 (随机集条件)：确保 Γ_{n,I}(p) 是一个随机闭集，从而其后验分布可以由容量泛函唯一刻画。这是将贝叶斯推断形式化应用于集合值参数的技术基础。
    • Assumption 5 (DGP 与正确设定)：
      • Y_i 独立地来自真实的 p_0。
      • 真实识别集 Γ_{n,I}(p_0) 非空，且准则函数 Q_n(γ, p_0) 在 Γ_{n,I}(p_0) 之外是“良好分离的”（well-separated）。这是保证估计量一致性的标准条件（类似于点识别中的可识别性条件）。
    • Assumption 6 (先验与后验集中)：这是核心假设，它要求后验分布 Π_n(p | Y^{(n)}) 满足三个性质：
      1. 后验集中：后验质量集中在某个筛子 P_n 和 p_0 的一个小邻域（关于半度量 d_n）内。
      2. 一致收敛：在 γ 和 p 的乘积空间上，准则函数 Q_n(γ, p) 一致地收敛到 Q_n(γ, p_0)。
      3. 下半连续性：映射 p → Γ_{n,I}(p) 在 p_0 附近是下半连续的（即，如果 γ 在 Γ_{n,I}(p_0) 中，那么对于接近 p_0 的 p，γ 也在 Γ_{n,I}(p) 的邻域内）。
    • 相比已有文献的放宽/强化：
      • 放宽：相比 Kline and Tamer (2016)，本文允许 p 是无穷维的（连续协变量）。
      • 强化：相比频率学派方法（如 Andrews and Shi 2013），本文不需要将条件矩转化为无条件矩，从而避免了工具变量选择问题。但代价是引入了对先验的依赖和贝叶斯推断的主观性。

主要结果

  • Theorem 4 (后验一致性，正确设定)：在 Assumptions 1-6 下，对于几乎所有的协变量序列，识别集的后验 Π_n(Γ_{n,I}(p) | Y^{(n)}) 在 Hausdorff 距离下一致地收敛到真实识别集 Γ_{n,I}(p_0)。即，随着样本量增大，后验质量会集中在真实识别集附近。
  • Theorem 5 (模型误设定诊断)：
    • 如果模型误设定（即 Γ_{n,I}(p_0) = ∅），后验概率 Π_n(Γ_{n,I}(p) = ∅ | Y^{(n)}) 会趋近于 1。这提供了一个一致的模型诊断工具。
    • 如果模型正确设定，后验概率 Π_n(Γ_{n,I}(p) ≠ ∅ | Y^{(n)}) 会趋近于 1。
  • Theorem 6 (后验一致性，误设定)：在误设定下，对伪识别集 ˜Γ_{n,I}(p)（准则函数的最小值点集）的后验也是一致的。
  • Proposition 7 & 8 (LSBGP 先验的后验集中速率)：
    • Proposition 7：证明了在 LSBGP 先验下，p 的后验在经验 L_2 范数下以接近最优的速率（由 Stone (1982) 的非参数回归最优速率刻画）收敛到 p_0。
    • Proposition 8：在额外光滑性条件下，将 L_2 收敛提升到经验 sup 范数收敛。这是验证 Assumption 6 中“一致收敛”和“下半连续性”的关键一步，因为这两个条件通常需要 sup 范数下的控制。

证明路线与技术技巧

  • 整体路线（Theorem 4 的证明）：

    1. 条件化：首先证明，由于后验集中在 V_{n,δ_n}（p_0 的一个小邻域）上，我们只需在 V_{n,δ_n} 上分析问题。
    2. 分解 Hausdorff 距离：d_H(Γ_{n,I}(p), Γ_{n,I}(p_0)) ≥ ε 意味着要么 (a) Γ_{n,I}(p) 碰到了 Γ_{n,I}(p_0) 的 ε-补集，要么 (b) Γ_{n,I}(p_0) 中的某个点离 Γ_{n,I}(p) 很远。
    3. 处理 (a)：利用 Assumption 5.2（良好分离性），Γ_{n,I}(p_0) 的 ε-补集上的 Q_n(γ, p_0) 有正下界 ξ。如果 Γ_{n,I}(p) 碰到了这个补集，那么 Q_n(γ, p) 和 Q_n(γ, p_0) 的差异必须至少为 ξ。但 Assumption 6.2（一致收敛）保证了这种差异在 V_{n,δ_n} 上可以忽略不计，因此 (a) 发生的概率为 0。
    4. 处理 (b)：利用 Assumption 6.3（下半连续性），对于 V_{n,δ_n} 中的 p，Γ_{n,I}(p_0) 中的每个点都离 Γ_{n,I}(p) 很近，因此 (b) 发生的概率也为 0。
    5. 结论：综合 (a) 和 (b)，d_H 很大的概率为 0，从而证明了一致性。

  • 关键跳跃点：

    • 从 p 的后验一致性到 Γ_I 的后验一致性：这是本文最核心的跳跃。它依赖于 Γ_I 作为 p 的泛函的连续性（即 Assumption 6.2 和 6.3）。证明巧妙地利用了 Hausdorff 距离的定义和准则函数的性质，将集合的收敛问题转化为函数值的收敛问题。
    • 验证 Assumption 6 对于 LSBGP 先验：这是技术上的主要挑战。作者需要证明 LSBGP 后验在 sup 范数下收敛（Proposition 8），这比常见的 L_2 收敛要困难得多。作者使用了小波插值技术，将 sup 范数下的逼近问题分解为投影误差和采样误差，并利用 LSBGP 先验的光滑性（通过 Matérn 协方差函数控制）和 p_0 的光滑性来分别控制这些误差。

  • 技术技巧点名：

    • Pólya-Gamma 数据增广：用于实现 LSBGP 先验下的后验抽样，使得条件后验是高斯分布，从而可以闭式抽样。
    • 断棍表示（Stick-breaking）：将多类别 PMF 的参数化转化为一系列条件独立的二元逻辑斯蒂回归问题，从而可以利用 Pólya-Gamma 技巧。
    • 小波插值（Wavelet interpolation）：用于证明 L_2 收敛到 sup 范数收敛的提升（Proposition 8）。通过将函数投影到小波基上，将 sup 范数控制转化为对小波系数的控制。
    • 经验过程理论（Empirical process theory）：用于证明准则函数的一致收敛性（Assumption 6.2），特别是在处理条件矩不等式时。
    • 凸分析（Convex analysis）：用于验证下半连续性条件（Assumption 6.3），特别是当识别集是凸集或凸集并集时（Proposition 4, 6）。使用了 Slater 条件和 KKT 条件来建立距离与准则函数值之间的线性关系。

真实例子与应用

  • 数据/场景：模拟数据，来自一个动态二元面板选择模型（Khan et al. 2023）。该模型具有状态依赖性（θ）和连续协变量 X。
  • 方法应用：
    1. 使用 LSBGP 先验对条件 PMF p(Y_0, Y_1, Y_2 | X_1, X_2) 进行贝叶斯推断。
    2. 从后验中抽取 p 的样本。
    3. 对于每个 p 样本，通过求解一个线性规划问题（Q^{LP}_n）来计算伪识别集 ˜Γ_{n,I}(p) 的近似。
  • 结果：
    • Figure 2：展示了随着样本量 n 增加，后验概率在 β 和 θ 的坐标投影上越来越集中在真实识别集附近。这直观地验证了后验一致性。
    • Table 1：展示了 E[d_H(˜Γ_{n,I}(p), Γ_{n,I}(p_0)) | Y^{(n)}] 的均值绝对偏差（MAD）随 n 增加而减小，从 n=100 时的 1.733 下降到 n=2000 时的 0.548。这定量地说明了后验向真实识别集的集中。
  • 这个例子想说明什么：
    • 验证理论：模拟结果与 Theorem 4 和 6 的后验一致性结论一致。
    • 展示相对 baseline 的优势：作者在 Appendix B.2 中比较了基于连续协变量的条件识别集和基于二值化协变量的识别集（Figure 3）。结果显示，二值化后的识别集显著更大、信息更少（例如，无法排除 θ=0 的状态独立性假设）。这有力地证明了本文方法避免离散化协变量的优势，能够保留更多识别信息。

🔎 结论是否比证明窄

  • 是。Theorem 4 的后验一致性是在条件识别集 Γ_{n,I}(p_0) 上证明的，即基于观测到的 n 个协变量 {x_i} 的识别集。而实际应用中，研究者通常关心的是总体识别集 Γ_I(p_0)，它基于协变量的整个支撑集。作者通过 Theorem 3 建立了 Γ_{n,I}(p_0) 和 Γ_I(p_0) 在 Hausdorff 距离下的渐近等价性，从而将一致性结果推广到 Γ_I(p_0)。但 Theorem 3 本身依赖于一个“良好分离性”条件（Condition 7），这个条件在理论上合理，但在实际应用中可能难以验证。因此，严格来说，本文证明的一致性是关于条件识别集的，而关于总体识别集的一致性是在一个额外的、可能难以验证的假设下成立的。作者在模拟中（Figure 4）展示了 n=2000 时两者几乎无差异，但这只是一个数值例子，不能替代理论保证。

四、开放问题

  1. 后验一致性的速率：本文证明了后验一致性，但未给出后验向识别集收缩的速率。例如，E[d_H(Γ_{n,I}(p), Γ_{n,I}(p_0)) | Y^{(n)}] 以多快的速度趋于 0？这与 p 的估计速率、识别集的几何形状（如“尖锐程度”）以及准则函数的性质有关。这是一个自然的理论延伸。（扎根于 Theorem 4 的陈述，它只说了“收敛到 0”，没说“多快”。）

  2. 后验不确定性量化（UQ）的 Bernstein-von Mises 定理：本文证明了后验一致性，但未证明后验的形状是否正确。一个更强的结果是 Bernstein-von Mises 定理，即后验分布渐近服从一个以真实识别集为中心的正态分布（或更复杂的极限分布）。这对于构造具有正确频率覆盖率的贝叶斯可信集至关重要。目前，贝叶斯可信集在部分识别模型中的频率性质是一个开放问题。（扎根于 Section 4 的引言，作者提到“fully revised beliefs”，但未深入讨论后验的渐近形状。）

  3. 高维协变量：本文假设协变量维数 d_x 固定。当 d_x 很大时，非参数估计 p(X) 会遭遇“维数灾难”。如何将本文框架扩展到高维设定？可能需要引入稀疏性假设（如可加结构、稀疏 GP）或降维技术。这与研究者的高维统计兴趣直接相关。（扎根于 Assumption 7，它假设 X 是 [0,1]^{d_x} 上的紧集，且 d_x 是固定的。）

  4. 计算-统计权衡：本文的 LSBGP 后验抽样是计算友好的，但识别集 Γ_{n,I}(p) 的计算本身可能是一个难题（例如，当 f 是非线性函数时，求解 {γ: f(x_i, p(x_i), γ) ≥ 0 ∀i} 可能是一个非凸优化问题）。本文在模拟中使用了线性规划（因为识别集是凸多面体的并集），但对于更一般的模型，计算瓶颈可能从“后验抽样”转移到“识别集计算”。如何设计算法来处理这种计算挑战？这与研究者的“计算-统计权衡”兴趣有潜在联系。（扎根于 Section 3.3.2，作者使用 Q^{LP}_n 准则，这依赖于识别集是凸多面体的并集这一特殊结构。）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论