Dirichlet–Laplace Priors for Optimal Shrinkage
用于最优收缩的 Dirichlet–Laplace 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。
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：摘要讨论一般高维贝叶斯收缩理论，未指向所列经济计量细分方向的具体研究对象。
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…
用于最优收缩的 Dirichlet–Laplace 先验
- 研究问题
- 在高维稀疏问题中，如何设计便于计算的连续收缩先验，同时为相应后验分布的集中性质提供理论保证？
- 方法与思路
- 作者提出 Dirichlet–Laplace 先验族，研究其后验集中性质和计算方法，并用模拟与真实数据比较有限样本表现。
- 材料陈述的贡献
- 摘要称，该先验具有最优后验集中性质并支持高效后验计算；其相对其他方法的有限样本表现通过数值示例评估。
- 阅读关注点
- 应核对先验的层级结构、稀疏性与维度增长条件、最优性的损失标准，以及超参数选择和后验计算的实现方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，无法判断刊本变化；所给摘要开头不完整，最优性条件与有限样本比较结果未说明。
原文摘要
regularization, are routinely used in high-dimensional applications, and there is a rich literature on optimality properties under sparsity assumptions. In the Bayesian paradigm, sparsity is routinely induced through two-component mixture priors having a probability mass at zero, but such priors encounter daunting computational problems in high dimensions. This has motivated continuous shrinkage priors, which can be expressed as global-local scale mixtures of Gaussians, facilitating computation. In contrast to the frequentist literature, little is known about the properties of such priors and the convergence and concentration of the corresponding posterior distribution. In this article, we propose a new class of Dirichlet-Laplace priors, which possess optimal posterior concentration and lead to efficient posterior computation. Finite sample performance of Dirichlet-Laplace priors relative to alternatives is assessed in simulated and real data examples.