Turing.jl中NUTS/HMCDA/HMC采样因数值错误拒提案求助

首先拆解错误提示里的关键符号含义：

• θ：模型的参数向量，包含所有待估计的参数
• r：HMC/NUTS类采样器使用的动量变量，用于在参数空间生成候选样本
• ℓπ：参数θ对应的对数后验概率（似然与先验的对数和）
• ℓκ：动量变量r对应的对数动能，是哈密顿蒙特卡洛方法的核心计算项

错误里的(true, false, false, false)说明参数θ本身是有限值，但动量、对数后验、对数动能出现了NaN或Inf这类非有限值，这是采样被拒的核心原因。

具体解决步骤 #

1. 修复模型数值稳定性 #

• 强制用对数形式计算似然：如果是自定义似然逻辑，务必转成对数运算，避免极小概率值下溢为0后取对数得到-Inf；Turing内置分布已默认支持对数似然，无需额外处理
• 约束参数取值范围：对有物理约束的参数（比如必须为正），要么用@constraint标注约束，要么做变量变换（比如对正参数取对数后建模），防止参数进入似然无定义的区域
• 排查自定义函数：测试极端参数值下，模型里的自定义数学函数（比如除法、开方、指数运算）是否会出现NaN/Inf，比如避免除以0、对负数取对数等情况

2. 调整先验分布 #

• 替换过于宽泛的先验：比如不要给尺度参数用Normal(0, 1000)这类宽先验，过大的参数取值范围会直接导致对数后验变为-Inf
• 匹配参数尺度：根据参数的实际量级选择先验，比如参数量级在10左右时，用Normal(0, 10)而非Normal(0, 1)或Normal(0, 100)

3. 优化采样器参数 #

• 降低初始步长：手动设置更小的步长（比如NUTS(step_size=0.01)），步长过大容易让采样器跳到参数空间的非合理区域，触发数值错误；也可以确保adapt_step_size=true让采样器自动适配步长
• 调整轨迹相关参数：对HMC减小trajectory_length，对NUTS降低max_depth，避免轨迹过长导致参数偏离合理范围
• 手动初始化参数：不要依赖随机初始化，给参数设置基于数据经验的初始值，减少采样器一开始就进入数值不稳定区域的概率

4. 简化模型排查问题 #

• 先拟合简化版模型：去掉复杂非线性组件，或用小样本测试，定位是模型结构问题还是数据/参数尺度问题
• 单独计算对数后验：在模型外手动代入一组参数计算ℓπ值，确认是似然还是先验部分导致了非有限值

内容的提问来源于stack exchange，提问作者Kevin