通过局部化提升似然自由推断中边际近似的精度

似然自由方法是执行隐式模型推断的重要工具，此类模型可模拟采样但相应似然不可解。然而，常见似然自由方法难以扩展到大量模型参数。一种有前景的高维似然自由推断思路是：仅基于被认为对低维分量有信息量的摘要统计量估计低维边际后验，再以某种方式组合这些低维近似。本文表明，对于看似直观的摘要统计量选择，此类低维近似在实践中可能出奇地差。我们描述了一种理想化的低维摘要统计量，原则上适用于边际估计。但该理想选择的直接近似在实践中困难。因此我们提出一种更易实现与自动化的边际估计替代方法。给定可能仅对边际后验位置有信息量的初始低维摘要统计量，新方法首先利用所有摘要统计量粗略局部化后验近似以确保全局可辨识性，继而第二步使用低维摘要统计量细化出准确的低维近似，从而提升性能。我们证明该方法所针对的后验可表示为基于低维与全摘要统计量的后验分布的对数混合（logarithmic pool）。方法的良好性能在若干示例中得以展示。