坐标升阶变分推断的 Wasserstein 收缩
机器学习
2026-05-29 v1 机器学习
泛函分析
最优化与控制
概率论
统计计算
摘要
我们研究坐标升阶变分推断算法在 Wasserstein 距离下的收缩行为。这一结果在固定点的传输-信息不等式以及函数光滑性条件下得出。结果通用且紧凑，允许局部收敛保证，适用于一般光滑流形，甚至在某些非光滑空间中也适用。我们将其应用于贝叶斯高斯混合模型、高维贝叶斯 Probit 回归，以及带有 P\'olya-Gamma 随机变量的 Logistic 回归（即 Jaakkola-Jordan 的算法）。
关键词
引用
@article{arxiv.2605.30253,
title = {Wasserstein Contraction of Coordinate Ascent Variational Inference},
author = {Rocco Caprio and Adrien Corenflos and Sam Power},
journal= {arXiv preprint arXiv:2605.30253},
year = {2026}
}
备注
17 pages + 3 pages appendix, 3 figures