跳转至

Efficient Sampling for Sparse Bayesian Learning Using Hierarchical Prior Normalization

作者: Jan Glaubitz, Youssef M. Marzouk
来源: SIAM/ASA Journal on Uncertainty Quantification
主题: 统计计算 / 算法
相关性: 5/10
机构绿灯: Massachusetts Institute of Technology(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv


一、领域脉络与小综述

这个方向是什么

本文所处的方向是贝叶斯逆问题中的高效 MCMC 采样,具体聚焦于稀疏贝叶斯学习(Sparse Bayesian Learning, SBL)框架下的高维后验采样。其根本的统计问题是:当先验是分层稀疏促进型(hierarchical sparsity-promoting priors,如 generalized gamma 分层先验)时,后验分布往往具有强非凸性、多模态、以及变量间强相关性,导致标准 MCMC 算法(随机游走 Metropolis-Hastings、甚至自适应 Metropolis)在高维空间中陷入局部模态、混合极慢。该子方向的成熟度处于"方法驱动、理论滞后"的阶段——大量工作聚焦于 MAP 估计的快速算法(如 EM、FOCUSS、SBL 的迭代加权最小二乘),但对后验分布的完整不确定性量化(UQ)仍缺乏通用且高效的采样工具。

发展脉络(history)

  • 奠基工作:SBL 框架的提出。Tipping (2001) [74] 提出相关向量机(Relevance Vector Machine),确立了"条件高斯先验 + 广义伽马超先验"的分层结构,奠定了 SBL 的模型基础。这一框架的核心思想是:通过分层结构实现自动相关性确定(ARD),在贝叶斯框架下自然地促进稀疏性。
  • 主要进展一:分层先验的扩展与 MAP 估计。Calvetti & Somersalo (2007) [21] 引入高斯超模型(Gaussian hypermodel)来恢复块状物体;Calvetti et al. (2020) [19] 系统分析了广义伽马超先验的稀疏促进性质,并发展了高效的 MAP 求解算法。这一支线将 SBL 从线性回归推广到一般逆问题,但主要停留在点估计层面。
  • 主要进展二:采样方法的尝试。Agapiou et al. (2014) [1] 分析了分层逆问题中 Gibbs 采样的收敛性,指出强相关性会导致 Gibbs 采样器混合极慢;Calvetti & Somersalo (2024) [23] 提出一种重参数化方法(v-ω 变换),试图将分层后验转化为更易采样的形式,但如本文 Figure 5 所示,该变换后的分布仍具有显著的各向异性。这一支线开始正视 UQ 问题,但效果有限。
  • 主要进展三:传输映射(Transport Maps)加速 MCMC。Parno & Marzouk (2018) [58] 系统建立了传输映射加速 MCMC 的框架,核心思想是构造一个将目标分布映射到简单参考分布(如标准正态)的确定性变换,从而在参考坐标下用更高效的采样器。Cui et al. (2022) [30] 进一步将先验归一化(prior normalization)与似然信息子空间(likelihood-informed subspace)结合,用于高维逆问题的降维。但这一支线主要针对高斯或轻尾先验,尚未处理 SBL 这类分层稀疏先验。
  • 本文的位置:本文是传输映射思想与 SBL 分层先验的首次系统结合。作者利用 SBL 先验的乘积结构,解析地构造了将分层先验整体(而非仅条件高斯部分)归一化为标准正态的 Knothe–Rosenblatt(KR)映射,从而将"难采样的分层后验"转化为"具有标准正态先验的参考后验",使得标准 MCMC 工具(如椭圆切片采样器 ES)能够高效工作。

子线索聚类

  1. SBL 模型与稀疏促进先验的设计(Tipping 2001 [74]; Calvetti & Somersalo 2007 [21]; Calvetti et al. 2020 [19]; Carvalho et al. 2009 [25]):这一簇在做什么——设计分层先验结构,使得 MAP 估计具有稀疏性,并研究其理论性质(如非凸性、模态结构)。
  2. 分层逆问题的采样算法(Agapiou et al. 2014 [1]; Calvetti & Somersalo 2024 [23]; Ascolani et al. 2024 [9]):这一簇在做什么——针对分层后验设计 Gibbs、Metropolis-within-Gibbs 等采样器,分析其收敛性,并尝试通过重参数化改善混合。
  3. 传输映射与先验归一化(Parno & Marzouk 2018 [58]; Cui et al. 2022 [30]; Marzouk et al. 2016 [51]):这一簇在做什么——构造确定性映射将复杂分布变为简单分布,以加速 MCMC 或实现降维。

这个方向在追问的核心问题

  1. 如何在高维、强相关、多模态的分层后验上实现高效采样? 已知瓶颈:Gibbs 采样器在强相关下混合极慢([1] 的理论分析),而随机游走类方法在高维下步长难以调节。
  2. 如何将先验归一化从高斯/轻尾先验推广到分层稀疏先验? 已知瓶颈:SBL 先验的条件高斯结构使得"归一化"不能只做线性变换,需要处理超参数 θ 与 x 的耦合。
  3. 如何评估采样器在目标分布上的实际表现? 已知瓶颈:MPSRF 和 ESS 等诊断指标在多模态分布上可能给出误导性结论(本文 Table 2/3 中明确指出这一点)。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 成:"现有 SBL 采样方法(Gibbs、MWG、以及 [23] 的部分归一化)都未能充分处理分层先验带来的几何困难(强相关性、多模态、各向异性),而本文通过解析构造的 KR 映射实现完整的分层先验归一化,使得标准 MCMC 工具能够高效工作。" 作者同时强调,他们的方法不需要对似然做任何假设(适用于非线性、非高斯似然),这是相对于 [23] 的重要优势。被作者淡化的竞争路线包括:基于变分推断的近似方法(本文未讨论)、以及基于序贯蒙特卡洛(SMC)的方法(本文未讨论)。什么明显该被引、却没出现在 intro 里?——作者没有引用变分推断在 SBL 中的工作(如 Titsias & Lázaro-Gredilla 的变分 SBL),也没有引用 Hamiltonian Monte Carlo(HMC)在分层模型中的现代进展(如 Betancourt 的几何视角),这可能是值得研究者去查的空白。

张力

未见明显对立引用。但存在一个微妙的张力:Agapiou et al. [1] 的分析表明 Gibbs 采样在分层逆问题中可能混合极慢,而本文的数值实验显示,在先验归一化之后,即使是简单的 AM 算法也能有效工作——这暗示问题不在于分层结构本身,而在于参数化方式。这一张力值得注意,因为它指向一个更深层的问题:什么样的参数化能使分层后验的几何结构变得"友好"?

二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据交代清楚

核心记号(逐个点名):

  • n:未知参数向量 x ∈ ℝⁿ 的维度(离散化网格点数或像素数)。
  • m:观测数据 y ∈ ℝᵐ 的维度。
  • x:感兴趣的未知参数(如信号、图像、初始条件),是随机变量,有先验分布。
  • θ:超参数向量(方差),与 x 同维度,是随机变量,有超先验分布。
  • y:观测数据,是随机变量,由似然 f(x; y) 刻画。
  • F:前向算子(forward operator),ℝⁿ → ℝᵐ,已知的确定性映射(如卷积、DCT、非线性 Burgers 算子)。
  • e:噪声,通常假设为高斯 e ~ N(0, Γ_noise),Γ_noise 为已知协方差。
  • π₀(x, θ):联合先验密度,具有乘积结构 π₀(x, θ) = ∏ᵢ₌₁ⁿ π₀ⁱ(xᵢ, θᵢ)。
  • π₀ⁱ(xᵢ, θᵢ):第 i 个分量的先验,π₀ⁱ(xᵢ, θᵢ) = π^{x|θ}(xᵢ|θᵢ) · π^θ(θᵢ),其中 π^{x|θ}(x|θ) = N(x|0, θ)(条件高斯),π^θ(θ) = GG(θ|r, β, ϑ)(广义伽马超先验)。
  • π_y(x, θ):后验密度,∝ f(x; y) · π₀(x, θ),是目标分布(要采样的对象)。
  • ϕ₀(u, τ):标准正态密度(参考分布),ϕ₀(u, τ) ∝ exp(−[‖u‖² + ‖τ‖²]/2)。
  • S:传输映射(Transport Map),S : (x, θ) ↦ (u, τ),满足 S♯π₀ = ϕ₀(即 S 将先验推前为标准正态)。
  • T = S⁻¹:逆传输映射,T : (u, τ) ↦ (x, θ),用于将参考坐标的样本拉回原始坐标。
  • s:二维 KR 映射,s : ℝ × ℝ>₀ → ℝ²,是 S 的"块"(因先验的乘积结构,S 可分解为逐分量的 s)。
  • s_θ:s 的第一分量,s_θ = Φ₀⁻¹ ∘ P_θ,其中 Φ₀ 是标准正态 CDF,P_θ 是广义伽马分布的 CDF。
  • s_{x|θ}:s 的第二分量,s_{x|θ}(x; θ) = x/√θ(将条件高斯 N(0, θ) 标准化)。
  • t_τ:s_θ 的逆,t_τ = (s_θ)⁻¹ = P_θ⁻¹ ∘ Φ₀。
  • r, β, ϑ:广义伽马分布的三个参数。r 控制分布类型(r=1 为伽马,r=-1 为逆伽马),β 为形状参数,ϑ 为尺度参数。
  • MPSRF:多元势尺度缩减因子(Multivariate Potential Scale Reduction Factor),衡量多链收敛的指标,越接近 1 越好。
  • ESS:有效样本量(Effective Sample Size),衡量采样效率的指标,越大越好。

模型(数据生成机制):

  1. 先验:xᵢ | θᵢ ~ N(0, θᵢ),θᵢ ~ GG(r, β, ϑ),且各分量独立。这等价于 xᵢ 的边缘分布是广义伽马尺度混合正态(即一个重尾、稀疏促进的分布)。
  2. 似然:y = F(x) + e,e ~ N(0, Γ_noise)。对于线性问题,F 是矩阵;对于 Burgers 问题,F 是非线性算子。
  3. 后验:π_y(x, θ) ∝ f(x; y) · π₀(x, θ),是目标分布。

可观测数据:只有 y(m 维观测向量)。x 和 θ 都是潜在变量,不可直接观测。关键点:研究者能观测到的是"带噪、欠采样、经过模糊/非线性变换"的数据,而感兴趣的是恢复 x 并量化其不确定性。θ 是辅助变量(超参数),其引入是为了促进稀疏性,但本身通常不是直接感兴趣的。

第二步:最小内核

核心思想(一句话):构造一个解析的、逐分量的确定性变换 S,将复杂的 SBL 分层先验 π₀(x, θ) 精确地"推前"为标准正态 ϕ₀(u, τ),从而把"带分层先验的后验采样"转化为"带标准正态先验的后验采样"。

最小内核(以一维情形为例,即 n = 1):

假设我们只有一个参数 x ∈ ℝ 和一个超参数 θ > 0。先验为: - x | θ ~ N(0, θ),即 π^{x|θ}(x|θ) = (2πθ)^{-1/2} exp(−x²/(2θ)) - θ ~ GG(r, β, ϑ),即 π^θ(θ) ∝ θ^{rβ−1} exp(−(θ/ϑ)^r)

KR 映射的构造分两步:

  1. 归一化 θ:令 τ = s_θ(θ) = Φ₀⁻¹(P_θ(θ))。由于 P_θ(θ) ~ Uniform(0,1)(概率积分变换),所以 τ ~ N(0,1)。逆映射为 θ = t_τ(τ) = P_θ⁻¹(Φ₀(τ))。

  2. 归一化 x(给定 θ):令 u = s_{x|θ}(x; θ) = x/√θ。由于 x|θ ~ N(0, θ),所以 u|θ ~ N(0,1),且 u 与 θ 独立(因为 u 的条件分布不依赖于 θ)。逆映射为 x = √θ · u = √(t_τ(τ)) · u。

因此,完整的 KR 映射为: S(x, θ) = (u, τ) = (x/√θ, Φ₀⁻¹(P_θ(θ)))

逆映射为: T(u, τ) = (x, θ) = (√(t_τ(τ)) · u, t_τ(τ))

为什么这个映射有效?

  • 精确性:由于 KR 映射逐分量地将边缘分布归一化为标准正态,且条件分布也被归一化,所以 S 精确地将联合先验 π₀(x, θ) 推前为二维标准正态 ϕ₀(u, τ)。这是解析的、无近似的。
  • 几何变换:在 (u, τ) 坐标下,先验是各向同性的标准正态,不存在 x 与 θ 之间的强相关性。后验 ϕ_y(u, τ) ∝ f(T(u, τ); y) · ϕ₀(u, τ) 的几何结构比原始后验 π_y(x, θ) 更"圆润",模态之间的距离更近,各向异性更弱。
  • 采样效率:标准 MCMC 算法(如 AM、MALA、ES)在标准正态先验的参考分布下,步长选择更鲁棒,混合速度更快。特别是 ES 采样器,其设计前提就是高斯先验。

这个最小内核揭示了论文的本质:作者不是发明了一种新的 MCMC 算法,而是通过解析的坐标变换改变了目标分布的几何形状,使得现有 MCMC 算法能够更有效地工作。这是一个"预处理"思路,而非"新采样器"思路。

为什么这个内核是"最小"的? 因为它抓住了 SBL 先验的核心结构——条件高斯 + 广义伽马超先验——并展示了如何利用这种结构进行精确归一化。高维情形(n > 1)只是将一维映射逐分量应用(因先验的乘积结构),非线性似然只是改变了似然函数的形式(在 (u, τ) 坐标下重新参数化),并不改变映射的构造方式。

三、这篇论文做了什么

三句话

  1. 研究了什么问题:SBL 分层先验导致的后验分布具有强相关性、多模态和各向异性,使得标准 MCMC 采样器(AM、MALA、Gibbs)在高维逆问题中混合极慢甚至无法收敛;本文提出一种分层先验归一化方法,通过解析构造的 KR 传输映射将 SBL 先验变换为标准正态,从而显著提升 MCMC 采样效率。
  2. 核心工具/方法:利用 SBL 先验的乘积结构,逐分量构造 KR 映射 S(x, θ) = (x/√θ, Φ₀⁻¹(P_θ(θ))),将分层先验精确推前为标准正态;在参考坐标下运行标准 MCMC 采样器(AM、MALA、ES),再通过逆映射 T = S⁻¹ 将样本拉回原始坐标。
  3. 主要结论:在信号去模糊、非线性 Burgers 方程反演和脉冲图像恢复三个逆问题中,先验归一化后的后验采样效率显著优于原始后验采样;尤其在 r = −1(逆伽马超先验,对应重尾稀疏先验)时,原始后验的 AM 采样器完全失效(MPSRF 高达 10⁶ 量级),而先验归一化后 MPSRF 降至接近 1,ESS 提升数个数量级。

关键设定与假设

在第二节最小记号的基础上,补全完整设定:

  • SBL 先验的具体形式:π₀(x, θ) = ∏ᵢ₌₁ⁿ [N(xᵢ|0, θᵢ) · GG(θᵢ|r, β, ϑ)]。广义伽马分布 GG(θ|r, β, ϑ) 的概率密度为 ∝ θ^{rβ−1} exp(−(θ/ϑ)^r)。参数 r 的选择覆盖了多种常见分布:r=1 为伽马分布(对应 Laplace 边缘先验),r=−1 为逆伽马分布(对应 Student-t 边缘先验),r=1/2 介于两者之间。
  • 似然假设:对于线性问题,y = Fx + e,e ~ N(0, σ²I),似然是高斯;对于 Burgers 问题,F 是非线性算子,似然仍为高斯(加性高斯噪声),但作为 x 的函数是非线性的。
  • 关键假设(相比已有工作的放宽或强化):
  • 放宽:本文方法不要求似然是线性的,也不要求似然是高斯的(虽然数值实验中用了高斯似然)。这是相对于 [23] 的重要优势,[23] 的变换依赖于线性结构。
  • 强化:本文方法要求先验具有乘积结构(各分量独立),这是 KR 映射逐分量构造的前提。对于非乘积结构的分层先验,本文方法不直接适用。
  • 隐含假设:KR 映射的构造需要能够解析地计算广义伽马分布的 CDF 及其逆函数。本文通过数值方法(如 Julia 的 SpecialFunctions.jl)实现,但要求这些函数能够被稳定、高效地求值。

主要结果

理论结果:本文没有传统意义上的"定理-证明"结构,核心理论贡献是解析构造 KR 映射的可行性论证。具体而言:

  • 命题(隐式):对于 SBL 先验 π₀(x, θ) = ∏ᵢ [N(xᵢ|0, θᵢ) · GG(θᵢ|r, β, ϑ)],KR 映射 S(x, θ) = (x/√θ, Φ₀⁻¹(P_θ(θ))) 满足 S♯π₀ = ϕ₀,即精确地将先验推前为标准正态。
  • 证明思路:逐分量验证。对于 θ 分量,概率积分变换保证 τ = Φ₀⁻¹(P_θ(θ)) ~ N(0,1)。对于 x 分量,给定 θ 时 x/√θ ~ N(0,1),且与 θ 独立。由于先验是乘积形式,逐分量的归一化即整体归一化。
  • 推论(隐式):在参考坐标 (u, τ) 下,后验 ϕ_y(u, τ) ∝ f(T(u, τ); y) · ϕ₀(u, τ) 的先验部分是标准正态,因此可以使用针对高斯先验设计的采样器(如 ES)。

数值结果(三个实验的核心量化结论):

  1. Toy problem(一维):r=1 时,原始后验与先验归一化后验的 AM 采样器表现相当(MPSRF 均接近 1);但 r=−1 时,原始后验的 AM 采样器 MPSRF 高达 0.37(远大于 1),而先验归一化后 MPSRF 降至 0.00023,ESS 从 3.0×10⁴ 提升至 9.0×10⁴。MALA 在 r=−1 时原始后验的 MPSRF 为 0.15,先验归一化后降至 0.0048。
  2. 信号去模糊(n=128, m=22):r=−1 时,原始后验的 AM 采样器 MPSRF 高达 5.4×10⁶,完全无法收敛;先验归一化后 MPSRF 降至 55,ESS 从 3.1 提升至 25。r=1 时,原始后验与先验归一化后验表现相当。
  3. Burgers 方程反演(n=100, m=20):r=−1 时,原始后验的 AM 采样器 MPSRF 为 5.8×10⁴,先验归一化后降至 58;ESS 从 2.5×10¹ 提升至 7.7。r=1 时两者表现相当。
  4. 脉冲图像恢复(n=400, m=400):r=−1 时,Gibbs 采样器在原始后验上 MPSRF 为 1.0×10⁴,先验归一化后 ES 采样器 MPSRF 降至 1.6;ESS 从 1.3 提升至 1.6。运行时间方面,先验归一化后 ES 采样器(3 分钟)显著快于原始后验的 Gibbs 采样器(20 分钟)。

关键对比:本文方法与 [23] 的变换(部分归一化)相比,在 r=−1 时优势最为明显——[23] 的变换后分布仍具有显著的各向异性(Figure 5),而本文的完全归一化后分布更接近各向同性(Figure 4)。

证明路线与技术技巧

整体路线(3-5 步逻辑主干):

  1. 识别问题:SBL 后验的采样困难源于分层先验的几何结构(x-θ 强相关、多模态、各向异性)。
  2. 提出解决方案:构造 KR 传输映射 S,将先验归一化为标准正态,从而改变后验的几何结构。
  3. 解析构造映射:利用 SBL 先验的乘积结构,逐分量构造 KR 映射。θ 分量通过概率积分变换归一化,x 分量通过条件标准化(x/√θ)归一化。
  4. 验证映射性质:证明 S 是微分同胚(可逆、光滑),且 S♯π₀ = ϕ₀ 精确成立。
  5. 数值验证:在三个逆问题中,对比原始后验与先验归一化后验在 AM、MALA、Gibbs、ES 四种采样器下的 MPSRF 和 ESS。

关键技巧:

  • KR 重排的逐分量构造:KR 映射的核心是将联合分布分解为边缘分布和条件分布的乘积,然后逐分量归一化。本文利用 SBL 先验的乘积结构,使得这一分解是平凡的(各分量独立),从而 KR 映射可以解析地写出。
  • 稳定计算逆 CDF:t_τ(τ) = P_θ⁻¹(Φ₀(τ)) 涉及广义伽马分布的逆 CDF。本文在附录 A 中给出了稳定实现,利用互补误差函数 erfc 避免精度损失(当 τ 很大时,Φ₀(τ) 接近 1,直接计算 1 − Φ₀(τ) 会丢失精度)。
  • 利用 ES 采样器:先验归一化后,参考坐标下的后验具有标准正态先验,这正是 ES 采样器的适用场景。ES 采样器沿椭圆环采样,对高斯先验具有维度无关的混合效率。

技术难点: - 非线性似然下的映射构造:对于 Burgers 问题,似然是非线性的,但 KR 映射只依赖于先验,不依赖于似然,因此映射的构造不受影响。然而,在参考坐标下评估似然需要计算 T(u, τ),这涉及逆 CDF 的数值求值,可能成为计算瓶颈。 - 多模态保持:KR 映射是微分同胚,因此不会改变后验的模态结构(模态数量不变),但会改变模态之间的"距离"和"通道宽度"。本文的数值实验表明,先验归一化后模态之间的通道变宽,使得采样器更容易在模态间转移。

🔎 结论是否比证明窄

  • 明确指出的限制:作者在 Remark 3.2 中承认,先验归一化后的后验不保证是 log-concave 或单峰的,多模态仍然可能存在(如 Figure 17 所示)。这是一个诚实的声明,但作者没有给出任何定量刻画"模态之间距离如何被压缩"的理论结果。
  • 未明确指出的窄化:作者声称"标准 MCMC 技术"都能受益于先验归一化,但数值实验仅测试了 AM、MALA、Gibbs 和 ES 四种算法。对于 HMC、NUTS 等现代算法,先验归一化的效果未知。此外,作者没有讨论维度依赖性——在高维(n > 1000)情况下,逐分量 KR 映射的计算成本是否可控?
  • 潜在的不一致:作者在引言中强调"不需要对似然做任何假设",但在数值实验中,所有问题都是高斯似然。对于非高斯似然(如泊松、二项),先验归一化后的后验几何是否仍然友好,缺乏验证。
  • 一个值得注意的 gap:作者没有提供任何收敛性理论(如 spectral gap 估计、维度依赖的混合时间上界)。这使得"先验归一化提升采样效率"的结论完全依赖于数值实验,缺乏理论保障。

四、开放问题

以下开放问题均扎根于本文的具体语句或直接延伸:

  1. 理论分析缺失:作者在 Remark 3.2 中承认先验归一化后的后验"既不保证 log-concave 也不保证单峰",但没有给出任何定量刻画。一个具体的开放问题是:能否证明 KR 归一化后后验的 Poincaré 常数或 spectral gap 相对于原始后验有可证明的改进? 这需要分析 KR 映射的 Jacobian 对后验几何的影响,可能涉及最优传输理论中的 displacement convexity 概念。

  2. 维度依赖性与计算成本:本文的 KR 映射是逐分量构造的,计算成本为 O(n)。然而,在参考坐标下评估似然需要计算 T(u, τ),这涉及 n 次逆 CDF 求值。对于 n 很大(如 n > 10⁴)的问题,逆 CDF 求值的数值成本是否成为瓶颈? 是否有更高效的近似方法(如多项式逼近、查表法)?

  3. 非高斯似然的推广:本文所有数值实验均使用高斯似然。对于非高斯似然(如泊松噪声、椒盐噪声),先验归一化后的后验几何是否仍然友好?特别是,KR 映射的构造是否依赖于似然的特定形式? 如果似然是非光滑的(如 L¹ 损失),先验归一化是否仍然有效?

  4. 与其他重参数化方法的理论对比:本文与 [23] 的变换(部分归一化)进行了数值对比,但没有理论对比。能否证明完全归一化(本文)在某种度量下严格优于部分归一化([23])? 例如,能否证明完全归一化后的后验具有更小的条件数或更大的 spectral gap?

  5. 自适应传输映射:本文的 KR 映射是先验归一化,不依赖于数据 y。一个自然的推广是数据自适应传输映射(即映射依赖于 y),这可能进一步压缩后验的几何结构。然而,这需要解决映射的在线估计问题,可能涉及变分方法或深度学习。

  6. 与变分推断的对比:本文未讨论变分推断(VI)方法。KR 归一化后的后验是否更适合 VI 逼近? 例如,在参考坐标下,后验更接近各向同性,均值场假设的误差是否更小?这可能是连接采样与优化的桥梁。


提醒:若要确认上述某条是否为真 gap,建议去读同一子领域(Bayesian inverse problems + transport maps + sparsity-promoting priors)近期约 5 篇论文的 intro——如果多篇都指向同一个问题(如"缺乏理论保证"),那可能是共识性 gap;如果各篇说法互相矛盾(如一篇认为 KR 映射计算成本可忽略,另一篇认为不可扩展),那恰恰是机会所在。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论