4. 常见先验模型及其性质
在贝叶斯反问题中，先验不是“随手加的正则项”，而是对未知量结构的事前信念。它直接决定后验的形状、估计器的行为以及不确定性量化的可信度。本节围绕五类最常用的先验展开：高斯先验、平滑先验、稀疏先验、全变差先验与层级先验，重点说明它们的数学表达、几何直觉与适用场景，并给出可操作的参数选择思路。
先统一记号。设未知量为 x ∈ R^n，观测模型为 y = A x + ε，噪声 ε ~ N(0, Γ_noise)。后验密度满足 p(x|y) ∝ exp(-½‖y-Ax‖²_Γnoise) · p(x)。因此先验 p(x) 的对数形式 -log p(x) 就是后验能量中的正则项，先验的“形状”决定了估计器偏好什么样的解。
一、高斯先验：最基础也最常用的连续先验
高斯先验写作 x ~ N(m, C_pr)，其负对数为 ½(x-m)ᵀ C_pr⁻¹ (x-m)。当 C_pr = σ² I 时退化为岭回归式的 L2 正则；当 C_pr 取为协方差核（如 Matérn 核、指数核）时，它编码了未知量的空间相关结构。高斯先验的最大优点是共轭性：若 A 线性、噪声高斯，则后验仍是高斯，均值与协方差有闭式表达：
C_post = (Aᵀ Γ_noise⁻¹ A + C_pr⁻¹)⁻¹
m_post = C_post (Aᵀ Γ_noise⁻¹ y + C_pr⁻¹ m)这使高斯先验成为线性反问题与大规模计算的首选。它的局限也很明显：高斯先验倾向于产生“平滑、稠密、幅度适中”的解，对突变边缘和稀疏结构不友好；此外协方差的构造与求逆在高维下代价高，通常需要借助核矩阵的低秩近似或迭代求解。
二、平滑先验：把“光滑”写成微分算子
平滑先验可以看作高斯先验的一种结构化特例，其核心是把先验作用在差分或微分算子上，例如一阶差分 D₁x 或二阶差分（拉普拉斯）Lx，并令 p(x) ∝ exp(-½λ‖Dx‖²)。等价地，x ~ N(0, (λDᵀD)⁻¹)，其精度矩阵是稀疏带状结构，便于快速求解。λ 越大，解越光滑；λ 越小，越贴近数据。
平滑先验适用于未知量本身连续、变化缓慢的场景，例如温度场重建、图像去模糊、地下介质慢变背景。它的典型失效模式是“过度平滑”：在真实存在阶跃或尖峰的位置，平滑先验会把边缘抹平，导致偏差。因此当先验信念与真实结构不符时，应改用下面两类先验。
三、稀疏先验：让“少数非零”成为偏好
稀疏先验假设未知量在某个变换域（如小波域、梯度域）中只有少数系数显著。最常见的是 Laplace 先验 p(x) ∝ exp(-λ‖x‖₁)，其负对数即 L1 正则，对应后验众数（MAP）为基追踪/ LASSO 型问题。更一般地，可写成 p(x) ∝ exp(-λ‖Ψx‖₁)，其中 Ψ 为稀疏化变换。
稀疏先验适合“点状源、稀疏缺陷、少量激活”的问题，例如稀疏源定位、压缩感知成像、故障稀疏诊断。需要注意：L1 先验的后验并非高斯，MAP 估计不再有闭式解，通常用近端梯度、ADMM 或坐标下降求解；同时 L1 会带来收缩偏差，对大幅值系数的估计偏小，必要时可用非凸稀疏先验（如 SCAD、MCP）或重加权 L1 缓解。
四、全变差先验：保边界的“分段常数”信念
全变差（TV）先验写作 p(x) ∝ exp(-λ TV(x))，其中 TV(x) = Σᵢ |x_{i+1} - x_i|（一维）或梯度模之和（二维）。它惩罚的是梯度的 L1 范数，因此偏好“分段常数/分段光滑”的解，能在去噪的同时保留锐利边缘。TV 后验的 MAP 估计是经典的 ROF 去噪模型，可用原始-对偶算法、Chambolle-Pock 等高效求解。
TV 先验适用于图像去噪、断层重建、阶跃型信号恢复等场景。它的已知缺陷是“阶梯效应”：在缓变区域会产生虚假的平坦块；此外 TV 对纹理细节不友好。实践中常采用高阶 TV、Huber-TV 或 TV-L1 组合来平衡保边与抑阶梯。
五、层级先验：让超参数也被推断
前面四类先验都含有关键超参数（如 λ、σ、相关长度）。固定这些参数往往靠交叉验证或经验，而层级先验把它们也视为随机变量，形成 p(x, θ) = p(x|θ) p(θ) 的两层结构，θ 为超参数（正则强度、噪声方差、稀疏度等）。例如：
x | λ ~ N(0, (λ L)⁻¹)
λ ~ Gamma(a, b)这样后验同时给出 x 与 λ 的估计，避免手工调参，并能自动实现“自适应正则”。层级先验特别适合噪声水平未知、稀疏度未知或需要不确定性传播的反问题。代价是后验不再共轭，需要 MCMC（如 Gibbs 采样、HMC）或变分推断来近似，计算量显著增加。
六、如何在实际问题中选择与组合
选择先验的核心不是“哪个更高级”，而是先验信念是否与真实结构一致。一个可操作的判断顺序是：先问未知量是否连续缓变（是则高斯/平滑先验）；再问是否存在分段常数或锐利边缘（是则 TV 先验）；再问是否在某个变换域稀疏（是则稀疏先验）；最后问关键超参数是否未知、是否需要不确定性传播（是则层级先验）。
实际建模中更常见的是组合。例如在图像重建中，可用 p(x) ∝ exp(-λ₁‖Ψx‖₁ - λ₂TV(x)) 同时编码稀疏与保边；在噪声方差未知时，可对 σ² 加逆 Gamma 先验形成层级结构。组合时要注意各项量纲与尺度，建议先对 A 与 y 做归一化，再按“数据项 : 正则项”的量级设定初始 λ，例如令 λ ≈ 0.01·‖Aᵀy‖∞ 作为起点，再根据后验预测或 L 曲线调整。
总结来说，高斯先验提供共轭与解析便利，平滑先验把光滑信念写成微分算子，稀疏先验编码“少数显著”，全变差先验保边缘但需防阶梯，层级先验让超参数自适应。掌握它们的数学表达与失效模式，才能在具体反问题中做出有依据的建模决策。