用于统计推断的保似然嵌入

本文解决了现代机器学习嵌入的一个关键限制：它们与基于经典似然的统计推断不兼容。它提出了一个新颖的框架，用于创建保留进行假设检验、置信区间构建和模型选择所需的几何结构的嵌入。似然比失真度量和 Hinge 定理的引入是重要的理论贡献，为保似然嵌入提供了严格的基础。本文侧重于特定于模型的保证，并使用神经网络作为近似充分统计量，突出了实现这些目标的实用方法。实验验证和在分布式临床推断中的应用证明了这项研究的潜在影响。