Valentyn Melnychuk

新的去偏PFNs增强了半参数目标的贝叶斯推理

本文介绍了去偏先验数据拟合网络（PFNs），以改进半参数目标的摊销贝叶斯推理。作者们建立了理论基础，表明理想化的PFNs的后验集中率可能取决于 the nuisance functions 和先验多样性。为解决此问题，他们提出了两种去偏策略：标签校正和先验校正。这些去偏PFNs实现了与传统频率学派偏差校正估计量相当的渐近集中率，将摊销贝叶斯推理与频率学派半参数效率理论联系起来，并保证了局部和全局最优性。