Cutting Feedback and Modularized Analyses in Generalized Bayesian Inference

doi:10.1214/24-BA1448

2025-12-01

PRE

David T. Frazier *

David J. Nott

DOI：10.1214/24-BA1448

原文链接

原文求助

摘要

En 中文

本研究考虑了复杂统计模型在误设条件下的贝叶斯推断，这些模型由耦合在一起的简单子模型（称为模块）组成。此类多模块模型通常出现在结合不同数据源信息时，其中每个数据源对应一个模块。当部分模块存在误设时，误设条件下的贝叶斯推断挑战有时可通过使用切割反馈方法加以解决，该方法通过限制不可靠模块的影响来修改传统贝叶斯推断。本文在此背景下研究了基于损失函数构建广义后验分布的切割反馈方法，并做出了三项主要贡献。首先，我们阐述了如何在广义贝叶斯框架下定义切割反馈方法，并讨论了此背景下损失函数的适当缩放。其次，我们推导出一种新型条件拉普拉斯近似，该近似能够准确描述在给定模块参数下，当我们对其他模块的参数进行条件约束时后验的行为。最后，我们利用这一新结果为贝叶斯模块化推断提供了几种便捷的诊断方法，并将其应用于关于切割模型推断的文献中的实例。

Keyword:

cutting feedback

model misspecification

modularization

semi-modular inference

generalized Bayesian inference