---
title: "BAND：高维分布估计的贝叶斯网络回归方法——打破维度诅咒"
source: "arXiv AI/CL/LG（论文）"
source_tier: "t2"
url: "https://arxiv.org/abs/2607.26955v1"
permalink: "https://feed.astralor.com/items/itm_ee1fa10527efbe75d764c46c"
published: "2026-07-29T14:21:39.000Z"
score: 85
channel: "ai"
tags: ["BAND","稀疏性","贝叶斯网络","非参数密度估计","高维分布估计"]
---

# BAND：高维分布估计的贝叶斯网络回归方法——打破维度诅咒

## AI 点评

> 这篇论文值得所有从事高维统计、概率建模和生成式AI的研究者关注。它从理论上给出了一个简单却有力的答案：稀疏结构能打破维度诅咒，而贝叶斯网络恰好提供了自然框架。相比VAE/GAN这类黑箱方法，BAND可解释性强且收敛有保证，尤其适合工业界对可靠置信区间的需求。如果你是研究时间序列预测或风险管理的，这篇论文可能会改变你处理高维密度估计的方式。

## 速览

传统高维分布估计受困于“维度诅咒”，最优收敛速度随维度指数级下降。本文提出BAND（贝叶斯网络分布回归），利用稀疏贝叶斯网络结构与条件均值估计，实现总变差距离下多项式收敛速度，且允许特征维度随样本量多项式增长。实证表明，在数据采样与置信域预测任务中，BAND显著优于传统直方图密度估计等基线方法，为高维混合类型时间序列建模提供了新范式。

## 关键点

- 提出BAND方法，结合稀疏贝叶斯网络与条件均值估计，在高维分布估计中实现多项式总变差收敛速度。
- 理论证明在稀疏性条件下，允许特征维度与样本量的多项式关系，显著快于指数级衰减的传统最优速率。
- 支持混合数据类型与高维时间序列，在数据生成与置信区间预测任务中超越多种先进基准。
- 为高维密度估计提供了可扩展的稀疏建模框架，相关理论对后续非参数方法具有指导意义。

## 全文

Minimax-optimal rates for multivariate distribution estimation are known to suffer from the curse of dimensionality. We propose a sparse Bayesian network approach in which each conditional probability is estimated using sparsity-aware conditional mean methods. The resulting estimator, \textit{BAyesian Network Distribution regression} (BAND), handles mixed data types in high-dimensional time series and achieves polynomial total variation convergence rates while allowing the feature dimension to grow polynomially with the sample size. These rates are substantially faster than the classical optimal rates for multivariate histogram density estimators that lack sparsity. Empirical evaluations show that BAND performs competitively for data sampling and confidence region forecasting against a range of state-of-the-art benchmarks.

---

引用前请核对原文;本文由星际流动整理:https://feed.astralor.com/items/itm_ee1fa10527efbe75d764c46c