Invariant Bayesian estimation on manifolds
流形上的不变贝叶斯估计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估计与流形几何，未直接涉及所列经济计量细分方向。
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
流形上的不变贝叶斯估计
- 研究问题
- 连续参数位于可微流形时，如何解决 MAP 与 MMSE 对重参数化的依赖，并区分坐标不变性和微分同胚不变性？
- 方法与思路
- 作者利用流形上的度量结构定义坐标不变的 MAP 和 MMSE，再施加贝叶斯框架下的不变性准则来讨论度量的选择。
- 材料陈述的贡献
- 摘要称该准则使度量选择基本唯一；采用 Jeffreys 先验时不变 MAP 化为极大似然估计，并与最小消息长度估计一致。
- 阅读关注点
- 应核对两类不变性的定义、度量选择基本唯一的条件、MAP 与 MMSE 的损失和测度，以及与其他估计相同的适用情形。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体不变性准则及正则条件未说明，不能把基本唯一或估计一致关系解释为无条件成立。
原文摘要
A frequent and well-founded criticism of the maximum a posteriori (MAP) and minimum mean squared error (MMSE) estimates of a continuous parameter γ taking values in a differentiable manifold Γ is that they are not invariant to arbitrary “reparameterizations” of Γ. This paper clarifies the issues surrounding this problem, by pointing out the difference between coordinate invariance, which is a sine qua non for a mathematically well-defined problem, and diffeomorphism invariance, which is a substantial issue, and then provides a solution. We first show that the presence of a metric structure on Γ can be used to define coordinate-invariant MAP and MMSE estimates, and we argue that this is the natural way to proceed. We then discuss the choice of a metric structure on Γ. By imposing an invariance criterion natural within a Bayesian framework, we show that this choice is essentially unique. It does not necessarily correspond to a choice of coordinates. In cases of complete prior ignorance, when Jeffreys’ prior is used, the invariant MAP estimate reduces to the maximum likelihood estimate. The invariant MAP estimate coincides with the minimum message length (MML) estimate, but no discretization or approximation is used in its derivation.