CONGA:为结构化贝叶斯推断编译高斯纤维几何
摘要
CONGA 是一个编译器,能够在结构化贝叶斯模型中检测高斯潜在块,并构建仿射传输映射(Brenier 和 Knothe-Rosenblatt),以加速后验推断:在 Stock-Watson 通胀模型上将 NUTS 的每秒最小 ESS 提升 12.5 倍,并在 6760 维电力负荷模型上恢复了收敛性。
查看缓存全文
缓存时间: 2026/11/19 03:40
论文页面 - CONGA:为结构化贝叶斯推断编译高斯纤维几何
来源:https://huggingface.co/papers/2611.20995
摘要
在结构化贝叶斯模型中,一个大的潜变量块在给定较小的参数集合的条件下通常是高斯分布的,但通用的推断方法往往会在 warmup 阶段重新学习这种几何结构。我们研究了如何利用这种结构来构造后验推断的传输映射(transport)。条件均值与精度矩阵决定了精确的仿射映射,包括对称的 Brenier 映射和三角形的 Knothe-Rosenblatt 映射,它们能够把一个标准正态块与剩余的非高斯核心分离开来。KL 与相对 Fisher 目标函数随后便可归结为定义在这个核心上的目标。我们提出 CONGA,一个编译器,它能够识别候选高斯块,并根据这些块的结构和计算代价选择时域、频域或稀疏实现。边缘化需要用到一个由模型推导出的恒等式;仅有数值证据时只能进行保持目标分布的变量变换,校验失败则保持模型不变。在 Stock-Watson 通胀模型上,CONGA 将 NUTS 的每秒最小 ESS 提升了 12.5 倍。它还在原始目标无法收敛的情形下恢复了收敛性:例如在同一模型上对 WALNUTS 的应用,以及在一个降至 34 个核心坐标的 6760 维电力负荷模型上对 NUTS 的应用。在图索引场上的实验展示了着色(coloring)与填充(fill)如何影响映射的选择,其中也包括保留原始目标更优的情形。代码位于 https://github.com/vicgalle/conga
查看 arXiv 页面 (https://arxiv.org/abs/2611.20995) 查看 PDF (https://arxiv.org/pdf/2611.20995) GitHub1 (https://github.com/vicgalle/conga) 加入收藏 (https://huggingface.co/login?next=%2Fpapers%2F2611.20995)
在你的 agent 中获取这篇论文:
hf papers read 2611.20995
还没有最新版 CLI?curl -LsSf https://hf.co/cli/install.sh | bash
引用本文的模型 0
暂无模型关联本文
在模型的 README.md 中引用 arxiv.org/abs/2611.20995,即可从本页面链接到它。
引用本文的数据集 0
暂无数据集关联本文
在数据集的 README.md 中引用 arxiv.org/abs/2611.20995,即可从本页面链接到它。
引用本文的 Spaces 0
暂无 Space 关联本文
在 Space 的 README.md 中引用 arxiv.org/abs/2611.20995,即可从本页面链接到它。
包含本文的收藏 0
暂无收藏包含本文
将本文添加到收藏 (https://huggingface.co/new-collection) 即可从本页面链接到它。
相似文章
CompactSplat:用于前馈场景重建的空间自适应高斯分布
CompactSplat 是一种前馈框架,通过纹理引导的空间划分和分层采样来自适应地分配三维高斯,在稀疏视角场景重建中提升几何与纹理的恢复效果,同时支持无需重新训练的动态稀疏度控制。
面向移动端3D高斯溅射的蒙特卡洛能量聚合
Flux-GS通过高效光照表示、属性条件增强和多视图稠密化策略,在移动平台上实现了实时高保真3D高斯溅射。
SNAP-FM: 物理约束生成建模中的稀疏非线性加速投影
提出SNAP-FM方法,利用稀疏GPU非线性优化加速物理约束生成建模中的约束投影,在保持精确物理约束满足的同时实现更快的推理。
几何感知R结构Kolmogorov-Arnold网络
提出几何感知R结构KAN(GRS-KAN),一种将R函数集成到KAN中以编码几何和逻辑约束的混合神经架构,在含不连续性的回归基准上实现了高达67%的RMSE降低。
GS-Voxel:无需拟合的大规模3DGS生成结构化潜变量
GS-Voxel引入了一个无需拟合的框架,将3D Gaussian Splatting重建转换为结构化潜变量,通过流模型和分块推理实现大规模空中3D场景的可扩展生成。