Graph-dependent shrinkage priors for Bayesian trend filtering
贝叶斯趋势滤波的图依赖收缩先验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将方法用于疫情冲击期间县级失业的时空建模与预测；图依赖本身未说明经济主体间的网络干扰。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
贝叶斯趋势滤波的图依赖收缩先验
- 研究问题
- 如何在具有图结构依赖且可能缺失的数据中，同时改善趋势平滑的适应性、预测和不确定性量化，并控制计算成本？
- 方法与思路
- 作者将图结构同时用于趋势、局部收缩先验和 MCMC 算法，通过稀疏及带状运算开展后验与后验预测推断。
- 材料陈述的贡献
- 摘要称研究先验的局部集中与适应性并建立后验适定条件；模拟显示估计和区间表现改善，另用于美国县级失业预测。
- 阅读关注点
- 应核对图依赖先验的定义、缺失数据处理和后验适定条件，以及区间精度、预测表现与计算成本的比较方式。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核验；摘要未说明缺失机制和区间覆盖表现，更窄区间本身不足以证明推断更可靠。
原文摘要
Many common data dependencies can be characterized by graphs: time series data are sequential (chain graph), images appear as pixels (lattice graph), areal data are defined by neighboring units (spatial adjacency graph), etc. Graph trend filtering seeks to smooth and predict such data. However, classical trend filtering only incorporates the graph for estimation of the trend, which limits its adaptivity, and is brittle in the presence of missing data. Further, it lacks uncertainty quantification and faces certain computing challenges. We address these limitations with a comprehensive Bayesian framework for (graph-) dependent data. Our approach leverages the graph at three critical junctures: 1) the trend, to enable smoothing, imputation, and prediction; 2) the local shrinkage, to enhance adaptivity and precision; and 3) the MCMC sampling algorithm, to deliver scalable posterior (predictive) inference via sparse and banded operations. For the proposed graph-dependent shrinkage priors, we study the local concentration and adaptivity properties and establish conditions for posterior propriety. Simulation studies demonstrate that, relative to state-of-the-art frequentist and Bayesian alternatives, this framework provides more accurate point estimates, more precise interval estimates, and highly competitive computing. We apply our methods for spatio-temporal modeling and forecasting of local area unemployment data for every county in the continental U.S. during the 2020 COVID-19 unemployment shock.