Bayesian inference with sources of uncertainty: from confidence modelling to sparse estimation
不确定性来源的贝叶斯推断：从置信度建模到稀疏估计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：摘要讨论的是通用贝叶斯推断与稀疏估计方法，未涉及因果推断、面板、时间序列、资产定价等具体领域细分，故不选择任何领域 key。
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…
不确定性来源的贝叶斯推断：从置信度建模到稀疏估计
- 研究问题
- 摘要称，研究如何扩展贝叶斯推断，使研究者能对模型中每个不确定性来源显式编码置信度，并据此控制模型设计与正则化。
- 方法与思路
- 作者提出一个通用框架，在贝叶斯推断中为各不确定性来源引入显式置信度参数，并在此基础上构造在统计模型中诱导稀疏性的通用方法，在线性回归、逻辑回归与贝叶斯神经网络中演示。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提供一种新的模型设计与正则化控制手段，并给出可诱导稀疏性的通用途径，示例覆盖线性回归、逻辑回归和贝叶斯神经网络。
- 阅读关注点
- 应核对置信度参数的具体定义与先验设定、稀疏性如何由该机制诱导、正则化强度如何被控制，以及线性/逻辑回归与贝叶斯神经网络实验的设定与评价标准。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论性质、收敛性或实证优越性；摘要未说明具体数据、数值结果与对比基准。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We introduce a general framework that extends Bayesian inference by allowing the researcher to explicitly encode confidence in each source of uncertainty within the model. This mechanism provides a new handle for model design and regularisation control. Building on this framework, we develop a general approach for inducing sparsity in statistical models and illustrate its use in linear and logistic regression, as well as in Bayesian neural networks.