Bayesian optimization of hyperparameters from noisy marginal likelihood estimates
基于含噪边际似然估计的贝叶斯超参数优化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：摘要的明确应用是美国宏观时间序列上的两类贝叶斯 VAR 超参数估计。
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…
基于含噪边际似然估计的贝叶斯超参数优化
- 研究问题
- 当边际似然只能通过含噪计算估计，且可自行调节计算投入和精度时，如何更快找到贝叶斯模型的最优超参数？
- 方法与思路
- 作者利用高斯过程序贯更新目标函数，设计允许选择廉价含噪评价的采集策略，将函数探索与计算精度选择结合。
- 材料陈述的贡献
- 摘要称，新策略可借助廉价含噪评价加快寻找最优点，并用于美国宏观数据中稳态 BVAR 和时变参数随机波动 BVAR。
- 阅读关注点
- 应核对评价噪声如何进入高斯过程、采集策略如何权衡精度与成本，以及速度比较是否计入全部计算投入。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断优化收敛保证、加速幅度或噪声建模条件；应用于 BVAR 不代表预测性能已改善。
原文摘要
Summary Bayesian models often involve a small set of hyperparameters determined by maximizing the marginal likelihood. Bayesian optimization is an iterative method where a Gaussian process posterior of the underlying function is sequentially updated by new function evaluations. We propose a novel Bayesian optimization framework for situations where the user controls the computational effort and therefore the precision of the function evaluations. This is a common situation in econometrics where the marginal likelihood is often computed by Markov chain Monte Carlo or importance sampling methods. The new acquisition strategy gives the optimizer the option to explore the function with cheap noisy evaluations and therefore find the optimum faster. The method is applied to estimating the prior hyperparameters in two popular models on US macroeconomic time series data: the steady‐state Bayesian vector autoregressive (BVAR) and the time‐varying parameter BVAR with stochastic volatility.