Rashomon種子退火法用於因子設計中的穩健貝葉斯推斷

在學術研究領域，一篇研究論文提出了Rashomon種子退火法，旨在解決因子設計中貝葉斯推斷面臨的挑戰。論文指出，透過貝葉斯模型平均整合模型不確定性時，可解釋交互效應的組合爆炸常導致多模態後驗分佈，使傳統MCMC算法收斂困難。為此，研究團隊開發了一個計算框架，將Rashomon集合（一組高性能模型）重新用作策略性暖啟動。具體而言，Rashomon種子退火法通過初始化退火重要性抽樣，將起始密度錨定在預識別的高證據區域，同時保持全域支持。相較於僅使用Rashomon集合而低估不確定性，AIS校正恢復完整推斷，將證書轉為提案機制。論文使用Rashomon分區集合作為認證種子構造器，展示算法能提供一致的自歸一化後驗摘要，如模型平均均值和可信區間，無需窮舉模型空間。這項工作彌合了高證據發現與嚴格推斷的差距，為基於AIS的模型平均提供一般策略。