On asymptotic properties of predictive distributions
预测分布的渐近性质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：摘要研究通用预测分布的几何渐近理论，未涉及宏观预测或金融收益预测。
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
预测分布的渐近性质
- 研究问题
- 在多维弯曲指数族中，如何通过允许预测分布偏离模型，改善基于渐近有效估计量的代入分布之平均信息散度风险？
- 方法与思路
- 作者建立二阶渐近理论，沿模型的正交方向移动代入分布，分解平均Kullback–Leibler散度并求取最优移动方向。
- 材料陈述的贡献
- 摘要称得到最优正交移动，引入描述风险改善的混合平均曲率量，并给出贝叶斯预测分布的渐近表达式。
- 阅读关注点
- 应核对正交性的几何定义、平均风险的取期望方式、允许的预测分布集合，以及曲率量与二阶改善之间的具体关系。
- 阅读边界
- 仅据稿件版本未注明的OpenAlex索引摘要；正则条件和有限样本表现未说明，不能将渐近风险改善扩展到任意预测任务。
原文摘要
Second-order asymptotic theory of predictive distributions is investigated. It is shown that estimative distributions with asymptotically efficient estimators can be improved to predictive distributions that do not belong to the model. The model is assumed to be a multidimensional curved exponential family. Predictive distributions can be constructed by shifting estimative distributions in a direction orthogonal to the model. The average Kullback-Leibler divergence from the true distribution to a predictive distribution is represented as the sum of two components. One of them depends on the choice of the estimative distribution and the other depends on the shift orthogonal to the model. The optimal shift orthogonal to the model is obtained. A quantity that can be regarded as the mixture mean curvature of the model in the space of all probability distributions is introduced. The difference in average Kullback-Leibler divergence between an estimative distribution and the optimal predictive distribution obtained by shifting it can be regarded as the mixture mean curvature of the model. An asymptotic expression for Bayesian predictive distributions is also obtained.