.png){kind=icon}
返回
Distributional sensitivity analysis: Enabling differentiability in sample-based inference
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cpc.2026.110363.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究介绍了一种用于估计任意维度下随机样本的空间-参数灵敏度的数学框架。这种灵敏度有效表现为随机样本相对于分布参数的梯度，在核物理中基于样本的反演问题（如推断量子关联函数）中至关重要。我们提出了两种灵敏度与梯度估计的解析公式：第一种将灵敏度解释为1-D条件分布逆映射的偏导数；第二种适用于容忍不精确梯度的优化方法，采用对角近似以在最小损失准确度的前提下降低计算成本。当无法获得解析形式时，提供了四种二阶数值算法来近似两种表达式。验证与确认研究证实了这些算法的正确性以及所提公式的有效性。核物理应用表明，该框架能够实现量子关联函数的不确定性量化与参数推断。与现有方法不同，本方法无需模型拟合或了解采样算法及高维积分知识，适用于黑箱或基于仿真的采样器。此外，它使任意采样子程序具备可微性，便于集成到深度学习与自动微分框架中。文中提供了算法细节与开源实现，以确保可重复性并促进进一步发展。
