Exponential tilting in Bayesian asymptotics
贝叶斯渐近计算中的指数倾斜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：摘要讨论通用贝叶斯渐近计算，未明确涉及所列领域的特定研究问题。
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
贝叶斯渐近计算中的指数倾斜
- 研究问题
- 如何改写贝叶斯计算的渐近公式，避免求解似然函数的条件极大值，并提高边际后验近似与重要性抽样的计算稳定性？
- 方法与思路
- 作者利用指数倾斜构造渐近公式，给出边际后验密度的替代拉普拉斯近似，并用案例展示公式实现和修正符号根重要性抽样器。
- 材料陈述的贡献
- 摘要称新公式无需条件似然极大值，能提高计算稳定性并显著缩短计算时间；但提供的材料没有列出具体耗时或近似误差。
- 阅读关注点
- 应核对指数倾斜的构造、替代近似的误差阶和正则性条件，以及重要性抽样权重的稳定性与计算时间比较所采用的基准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明渐近公式、适用条件和计算改善的数值证据。
原文摘要
We use exponential tilting to obtain versions of asymptotic formulae for Bayesian computation that do not involve conditional maxima of the likelihood function, yielding a more stable computational procedure and significantly reducing computational time. In particular we present an alternative version of the Laplace approximation for a marginal posterior density. Implementation of the asymptotic formulae and a modified signed root based importance sampler are illustrated with an example.