Total robustness in Bayesian Nonlinear Regression
贝叶斯非线性回归中的总体稳健性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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论的是贝叶斯非参数回归与测量误差下的稳健推断理论，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列、资产定价等具体应用方向，故不选择任何细分领域。
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…
贝叶斯非线性回归中的总体稳健性
- 研究问题
- 摘要称，研究如何在一般非线性回归中同时应对协变量测量误差、回归模型误设与测量误差分布误设这三类问题，并实现对此三者的总体稳健推断。
- 方法与思路
- 作者提出一个贝叶斯非参数学习框架：对潜在协变量—响应联合分布施加 Dirichlet 过程先验，用潜在协变量的后验伪样本更新，使推断校准到联合分布律；估计量通过最小化联合 Dirichlet 过程后验实现与模型隐含联合分布之间的差异来定义，并给出基于梯度的实现。
- 材料陈述的贡献
- 摘要称这是其已知范围内首个针对一般非线性回归中上述三类挑战实现总体稳健的贝叶斯非参数框架；作者建立了泛化界，并给出在非退化测量误差下估计量收敛与相合性的首个证明，模拟与两项真实数据研究显示随测量误差增大相对近期贝叶斯与频率派替代方法更稳定。
- 阅读关注点
- 应核对联合 Dirichlet 过程先验的具体构造与后验伪样本更新机制、差异度量与估计量的精确定义、泛化界与相合性所需的识别与正则条件、非退化测量误差假设的含义，以及模拟与实证中比较对象、误差设定和稳定性证据是否支持摘要表述。
- 阅读边界
- 仅凭摘要无法判断证明细节、假设强度、计算可扩展性与实证设计是否可靠；所声称的“首个”与相对优势均属作者陈述，未经独立验证。该文为 arXiv 预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
Modern regression analyses are often undermined by covariate measurement error, misspecification of the regression model, and misspecification of the measurement error distribution. We present, to the best of our knowledge, the first Bayesian nonparametric learning framework targeting total robustness to all three challenges in general nonlinear regression. Our framework places a joint Dirichlet process prior on the latent covariate--response distribution and updates it with posterior pseudo-samples of the latent covariates, so that inference is calibrated to the joint law. This yields estimators defined by minimizing the discrepancy between posterior realizations of the joint Dirichlet process and the model-implied joint distribution. We establish generalization bounds and provide a first proof of convergence and consistency of the resulting estimators under non-degenerate measurement error. A gradient-based implementation enables efficient computation; simulations and two real-data studies show improved stability to misspecification under increasing measurement error relative to recent Bayesian and frequentist alternatives.