利用梯度信息加速昂贵模拟器的贝叶斯推断

2026年10月9日，arXiv Statistics Machine Learning 发布论文，提出在昂贵模拟器的贝叶斯推理中利用梯度信息的方法。该方法将模拟器输出对输入参数的梯度纳入高斯过程代理模型，以加速基于贝叶斯优化的主动学习推理，在有限模拟预算下显著提升收敛速度。研究比较了两种微分模式：反向模式微分在计入额外计算成本后仍保持推理效率增益；正向模式微分的加速不足以抵消其计算开销。结果表明，梯度增强代理主要在参数数量超过输出维度、反向模式微分更高效的问题中更有益。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。