格点场论中贝叶斯模型平均的改进信息准则

贝叶斯模型平均是处理由模型设定所带来的不确定性的一种实用方法。使用该技术需要估计模型概率权重。在这项工作中，我们重新审视这些模型权重估计量的推导。以Kullback-Leibler散度为出发点，自然导出了若干适用于贝叶斯模型权重估计的替代信息准则。我们详细探讨了统计文献中已知的三种此类准则：我们称之为BAIC的Akaike信息准则的贝叶斯类比、贝叶斯预测信息准则（BPIC）和后验预测信息准则（PPIC）。我们在格点场论计算中常见的数值分析问题中比较了这些信息准则的使用。我们发现PPIC具有最吸引人的理论性质，并且能在模型平均不确定性方面给出最佳性能，尤其在存在噪声数据的情况下，而BAIC是一种简单且可靠的替代方案。