贝叶斯推断中若干近似后验测度的误差界
Error bounds for some approximate posterior measures in Bayesian inference
AI总结：
本文针对贝叶斯反问题中完整后验计算代价过高的问题，回顾了基于随机近似数据失配与正演模型的随机及确定性近似后验的误差界。
摘要：
在涉及贝叶斯反问题求解的某些应用中，可能无法或不希望评估完整后验，例如由于这样做的高计算成本。这一问题促使使用由近似数据失配或正演模型所产生的近似后验。我们回顾了当近似数据失配和近似正演模型为随机时，随机和确定性近似后验的一些误差界。
英文摘要：
In certain applications involving the solution of a Bayesian inverse problem, it may not be possible or desirable to evaluate the full posterior, e.g. due to the high computational cost of doing so. This problem motivates the use of approximate posteriors that arise from approximating the data misfit or forward model. We review some error bounds for random and deterministic approximate posteriors that arise when the approximate data misfits and approximate forward models are random.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
