On the design distribution for predictive Bayesian regression
预测式贝叶斯回归中的设计分布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：摘要讨论贝叶斯回归的预测式后验与高维正则化，属贝叶斯方法论，未涉及所给微观、宏观或金融领域细分的具体主题，故不选。
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
预测式贝叶斯回归中的设计分布
- 研究问题
- 研究随机设计回归下，预测式设计分布的选取如何影响参数化鞅后验，以及何种可识别性与设计不变性对有效推断（尤其高维回归）是必要的。
- 方法与思路
- 作者提出从一步预测序列出发的预测式贝叶斯推断框架，在随机设计回归中显式刻画预测设计分布，并据此定义预测意义下的可识别性与设计不变性概念。
- 材料陈述的贡献
- 摘要称识别出预测式可识别性与设计不变性对有效推断的关键作用，并提出一类满足上述要求的弱形式、且通过正则化自然适应高维情形的参数化鞅后验，随后用模拟展示该方法。
- 阅读关注点
- 应核对可识别性与设计不变性的精确定义及其弱形式条件、所提鞅后验的构造与正则化机制、模拟设计是否覆盖高维场景，以及是否给出频率学性质或理论保证。
- 阅读边界
- 仅凭摘要无法判断定理条件、模拟规模与结果、与既有方法的比较，也未说明是否经过同行评审；该文为 arXiv 预印本，不能据此声称已被期刊接收。
原文摘要
The predictive approach to Bayesian inference accesses the posterior distribution via a sequence of one-step-ahead predictives, enabling inference via predictive resampling without Markov chain Monte Carlo. In the random-design regression setting, an explicit specification of the predictive design distribution is required, yet the impact of this choice has received little formal attention. We study the role of this predictive design distribution in parametric martingale posteriors for regression, and identify predictive notions of identifiability and design invariance that are essential for valid inference, particularly in the high-dimensional regression setting. Building on these foundations, we introduce a novel class of parametric martingale posteriors for regression that satisfies a weak form of these desiderata, and naturally accommodates the high-dimensional setting through regularization. We then illustrate our method through a simulation.