Information Measures and Bayesian Hierarchical Models
信息度量与贝叶斯层级模型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：摘要讨论一般贝叶斯层级模型的信息理论，没有对应给定计量领域细分的应用或结构。
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
信息度量与贝叶斯层级模型
- 研究问题
- 在贝叶斯层级先验中，观测数据能够提供多少关于各层超参数的信息？向更高层移动时，信息量是否具有递减性质？
- 方法与思路
- 作者研究基于 f 散度的一大类信息度量，分析观测向量、参数与不同层级超参数之间的信息关系，并建立递减结果。
- 材料陈述的贡献
- 摘要称，高层超参数的信息量递减结论统一了所提及既有研究中的定理，并扩展到另外若干具有该性质的信息度量。
- 阅读关注点
- 应核对信息度量的定义、层级模型的依赖结构、递减结论所需条件，以及“广泛一类”信息度量的具体覆盖范围。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；具体定理条件及证明未提供，不能据此断言所有信息度量或任意层级模型都满足递减性质。
原文摘要
We consider the Bayesian statistical models in which the prior distribution of the parameter vector θ1 in the distribution of an observable random vector X is to be specified in a hierarchical fashion and one wants to learn about the hyperparameters at each level of this prior distribution. It is shown that for a wide class of information measures, based on the so-called f divergence, the information decreases as one moves to higher levels of hyperparameters. This result unifies all the theorems in Goel and DeGroot (1981) and provides several other information measures for which the above desirable property holds.