Distribird：基于文献的贝叶斯模型校准先验分布设计

arXiv:2608.11210v1 公告类型：新 摘要：基于过程的模型的贝叶斯校准需要每个模型参数的先验分布。尽管进行了数十年的方法论工作，研究人员几乎总是依赖于统一的先验。主要原因是从科学文献中构建信息先验的速度很慢，并且需要领域和统计专业知识。我们推出了 \textbf{Distribird}，这是一个代理 Web 应用程序，可以自动执行此过程。给定参数名称、物理描述和领域上下文，Distribird 会部署一个多代理管道，用于搜索文献、根据领域相关性提取报告值并对其进行加权，并通过 AIC 模型选择来拟合概率分布。当没有可用的文献时，系统会退回到明智的无信息替代方案，并清楚地报告背后的证据及其产生的每个先验的置信度。它是为模型具有物理可解释参数的问题而设计的，其中领域知识存在于已发表的文献中。我们在 10 个科学领域的 24 个参数上评估了该工具，比较了三种开放权重模型（Qwen3.6 27B、Gemma 4 31B、Mistral Small 4 119B）与单提示 LLM 基线。在先前的质量上，完整的管道\emph{匹配}此基线。每一个先验都可以追溯到构建它的具体论文和价值观；内置的有效性层拒绝为超出范围的请求生成先验，而单提示基线在 30 个模型参数案例中的 11 个中返回有信心但毫无根据的先验；并且每个语言模型调用都在本地运行，因此不会将参数描述或未发布的建模细节传输到第三方 LLM 提供商（仅生成的搜索词到达公共文献数据库）。对于科学用途，我们认为这些属性比点估计准确性的边际改进更重要。