可复用局部后验的半摊销贝叶斯推理

研究提出一种半摊销贝叶斯推理方法，将参数划分为较小的块，利用条件独立性确定推断每个块所需的信息，并针对后验更新代价高或频繁重复的块训练神经估计器。每个估计器通过模拟相关模型组件，在给定观测值和依赖变量取值下近似该块的全条件后验，再由马尔可夫链交替执行神经估计器直接采样与其余变量的常规更新，每次神经更新无需似然评估和接受-拒绝步骤。