源空间 MCMC 通过基于先验的几步传输图进行后采样

贝叶斯推理越来越多地使用仅由样本表示的信息丰富但隐含的先验，例如历史集合、模拟器输出和预训练的生成模型。相同的计算问题出现在测试时指导任务（广义贝叶斯）中，其中显式正权重（例如指数奖励）会倾斜隐式先验。我们开发了一个源空间广义贝叶斯推理框架，它将廉价的几步先验传输与后验稳定性保证结合起来。具体来说，我们使用一步或几步改进的 MeanFlow (iMF) 图来表示先验，并在其高斯源空间中执行后验采样。我们根据联合群体 iMF 和辅助速度损失建立了精确后验和学习后验之间的 Wasserstein 误差界限，分解为训练次优性和模型类逼近误差。在 iMF 源空间中，我们采用带有预处理 Crank-Nicolson 更新的并行回火，并引入了一种混合变体，该变体结合了分裂哈密顿蒙特卡罗以提高采样效率。综合实验表明，所提出的框架可以准确有效地近似后验分布，而 CLIP 引导的 ImageNet 实验则证明了其能够引导预训练的 iMF 图像先于文本指定的偏好。