基于对称偏置的贝叶斯与逆贝叶斯推断：用于非平稳环境中的自适应推断
统计方法学
2025-11-03 v6 多智能体系统
摘要
本研究提出了一种新颖的贝叶斯与逆贝叶斯（BIB）推断框架，通过引入对称偏置（symmetry bias）融入贝叶斯更新过程，以实现常规贝叶斯更新与逆贝叶斯更新的并行处理。常规贝叶斯推断在适应突变性环境变化与保持稳定期间准确性之间存在根本性权衡。BIB框架通过逆贝叶斯更新动态调节学习率，从而增强了自适应灵活性。在由高斯分布观测值构成的序列估计任务中评估了BIB模型，其在环境转换期间展现出学习率的突发性增强，短暂进入高灵敏度状态以促进快速适应。这种突发-放松动力学作为平衡可适应性与准确性的机制。此外，瞬态分析、去趋势波动分析和功率谱分析揭示，BIB系统可能正处于临界状态——这一性质在标准贝叶斯推断中并未观察到。这表明BIB模型独特地实现了计算效率与临界动力学的共存，既解决了可适应性与准确性的权衡，又保持了尺度自由特性。这些发现为自然系统中尺度自由动力学的计算视角提供了新见解，并为设计非平动环境中的自适应推断系统提供了宝贵洞见。
引用
@article{arxiv.2505.12796,
title = {Adaptive Inference through Bayesian and Inverse Bayesian Inference with Symmetry-Bias in Nonstationary Environments},
author = {Shuji Shinohara and Daiki Morita and Hayato Hirai and Ryosuke Kuribayashi and Nobuhito Manome and Toru Moriyama and Yoshihiro Nakajima and Yukio-Pegio Gunji and Ung-il Chung},
journal= {arXiv preprint arXiv:2505.12796},
year = {2025}
}