Loss-Based Variational Bayes Prediction
基于损失的变分贝叶斯预测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：摘要讨论通用高维预测，未明确宏观预测或金融收益预测对象。
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…
基于损失的变分贝叶斯预测
- 研究问题
- 面对高维参数预测模型及模型误设，如何构造直接面向预测准确性的贝叶斯预测方法，并控制计算与统计上的困难？
- 方法与思路
- 作者以预测损失构造广义后验，再通过变分近似形成后验预测分布，并在贝叶斯神经网络和自回归混合模型中应用。
- 材料陈述的贡献
- 摘要称分析了该预测方法的理论行为并证明某种最优性；模拟与实证比较显示，其准确性高于若干替代预测方法。
- 阅读关注点
- 核对预测损失、广义后验及变分分布族的选择，辨明最优性的具体含义，并检查误设情形和预测评估的样本划分。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明最优性条件、预测指标和实证数据，不能判断适用范围。
原文摘要
We propose a new approach to Bayesian prediction that caters for models with a large number of parameters and is robust to model misspecification. Given a class of high-dimensional (but parametric) predictive models, this new approach constructs a posterior predictive using a variational approximation to a generalized posterior that is directly focused on predictive accuracy. The theoretical behavior of the new prediction approach is analyzed and a form of optimality demonstrated. Applications to both simulated and empirical data using high-dimensional Bayesian neural network and autoregressive mixture models demonstrate that the approach provides more accurate results than various alternatives, including misspecified likelihood-based predictions.