Approximating Posterior Distributions by Mixtures
用混合分布近似后验分布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：摘要涉及通用贝叶斯计算，未明确针对时间序列、预测或结构估计模型。
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
用混合分布近似后验分布
- 研究问题
- 如何将重要性抽样产生的模拟样本转化为易于计算边际密度和其他摘要的后验近似，并通过迭代不断细化？
- 方法与思路
- 作者用核密度方法平滑模拟样本，形成通常由多元正态或t分布组成的混合近似，再重复抽样和平滑进行自适应更新。
- 材料陈述的贡献
- 摘要称该过程为较低维问题提供一般且自动化的后验近似方法，并讨论适合序贯贝叶斯更新的变体与扩展。
- 阅读关注点
- 应核对重要性抽样方案、混合分量与平滑参数的选择、迭代停止标准，以及低维限制和序贯更新的具体实现。
- 阅读边界
- 仅据所给Crossref摘要，无法判断近似误差、迭代收敛或高维表现；提及序贯更新不能据此推断时间序列应用效果。
原文摘要
SUMMARY Kernel density estimation techniques are used to smooth simulated samples from importance sampling function approximations to posterior distributions, resulting in revised approximations that are mixtures of standard parametric forms, usually multivariate normal or T-distributions. Adaptive refinement of such mixture approximations involves repeating this process to home-in successively on the posterior. In fairly low dimensional problems, this provides a general and automatic method of approximating posteriors by mixtures, so that marginal densities and other summaries may be easily computed. This is discussed and illustrated, with comment on variations and extensions suited to sequential Bayesian updating of Monte Carlo approximations, an area in which existing and alternative numerical methods are difficult to apply.