Adaptive Nonparametric Perturbations of Parametric Models with Generalized Bayes
通过广义贝叶斯对参数模型进行自适应非参数扰动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：摘要明确以基因表达的因果效应估计展示方法，所选分类对应这一应用。
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…
通过广义贝叶斯对参数模型进行自适应非参数扰动
- 研究问题
- 当参数贝叶斯模型可能设定错误，而目标是真实分布的某个泛函时，如何同时保持推断稳健性与数据利用效率？
- 方法与思路
- 作者先构造允许参数模型失配的全贝叶斯修正，再提出广义贝叶斯替代方案，以避免计算非参数模型的贝叶斯因子。
- 材料陈述的贡献
- 摘要称，该修正保留全贝叶斯方案的稳健性与效率，在模型接近真实时快速收敛，并以基因表达因果效应作应用。
- 阅读关注点
- 应核对目标泛函类别、模型接近真实的定义、稳健性与收敛条件，以及单细胞应用中因果效应的识别依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未列出理论条件，因果应用也不能由模型修正本身保证识别。
原文摘要
Parametric Bayesian modeling offers a powerful and flexible toolbox for machine learning. Yet the model, however detailed, may still be wrong, and this can make inferences untrustworthy. In this paper we introduce a new class of semiparametric corrections for parametric Bayesian models, when the target of inference is a functional of the true data distribution. Our starting point is a fully Bayesian modeling approach, which explicitly accounts for the possibility that the parametric model is wrong. Asymptotic analysis shows that this approach is both robust to model misspecification and data efficient, achieving fast convergence when the parametric model is close to true. However, the fully Bayesian approach is limited in its practical usefulness by the challenges of conducting inference and computing a Bayes factor for a nonparametric model. We therefore propose a novel model correction based on generalized Bayes, which entirely avoids the need to compute a nonparametric Bayes factor, but preserves the robustness and efficiency of the fully Bayesian approach. We demonstrate our method by estimating causal effects of gene expression from single cell RNA sequencing data. Overall, we offer a new efficient approach to robust Bayesian inference with parametric models.