Nonparametric Bayesian inference for reversible multidimensional diffusions
可逆多维扩散的非参数贝叶斯推断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：摘要聚焦一般可逆扩散的后验收缩，未明确联系所列宏观或金融模型，现有文本不足以作更具体分类。
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
可逆多维扩散的非参数贝叶斯推断
- 研究问题
- 对具有周期漂移的可逆多维扩散，在连续观测路径下如何建立漂移梯度向量场的后验收缩理论，并达到最优速度？
- 方法与思路
- 作者利用可逆性，将不变测度所诱导先验的逼近条件用于一般后验收缩定理，再应用于高斯先验和p指数先验。
- 材料陈述的贡献
- 摘要称上述先验在任意维数的Sobolev光滑类上达到最优非参数收敛速度，但没有列出速度表达式或全部条件。
- 阅读关注点
- 应核对周期性和可逆性的具体要求、观测渐近框架、先验对不变测度的诱导关系，以及收缩距离和最优性的比较标准。
- 阅读边界
- 仅据稿件版本未注明的OpenAlex索引摘要；刊本一致性和定理条件未提供，连续观测结论不能直接用于离散或带噪观测。
原文摘要
We study nonparametric Bayesian models for reversible multidimensional diffusions with periodic drift. For continuous observation paths, reversibility is exploited to prove a general posterior contraction rate theorem for the drift gradient vector field under approximation-theoretic conditions on the induced prior for the invariant measure. The general theorem is applied to Gaussian priors and p-exponential priors, which are shown to converge to the truth at the optimal nonparametric rate over Sobolev smoothness classes in any dimension.