To discretize continually: Mean shift interacting particle systems for Bayesian inference
基于均值漂移交互粒子系统的贝叶斯推断离散化方法
🧭 粒子系统贝叶斯采样 · MMD 最小化
Center for Computational Science and Engineering, Massachusetts Institute of Technology · Laboratory for Information and Decision Systems, Massachusetts Institute of Technology
提出均值漂移交互粒子系统，通过 MMD 最小化逼近目标分布，实现免归一化常数的贝叶斯积分近似。
📌 工作参考价值（4 点）
- 推荐系统中贝叶斯模型（如贝叶斯个性化排序）的后验推断常面临多模态挑战，该方法的交互粒子系统能有效捕捉多模态和 anisotropy，避免模式坍缩，从而提升参数估计的准确性。
- 方法不依赖归一化常数，且支持无梯度实现，适用于优化非可微排序指标（如 NDCG）的场景，可直接用于粒子优化。
- 粒子系统实现简单，易于并行化，可用于需要在线更新后验的实时推荐或动态定价场景。
- 对于生成式推荐中的隐变量模型，可将此方法用于近似后验采样，替代传统的 MCMC 或变分推断，提高采样多样性和效率。