Training samples in objective Bayesian model selection
客观贝叶斯模型选择中的训练样本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：文本讨论通用贝叶斯模型选择，离散数据与线性模型例子不足以确定所列细分方向。
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
客观贝叶斯模型选择中的训练样本
- 研究问题
- 当观测的信息量或对非正常先验的影响差异很大时，仅以得到正常后验为标准选择最小训练样本是否足够？
- 方法与思路
- 作者分析最小训练样本的不足，并针对离散数据、删失观测及部分线性模型情境开发更细致的训练样本选择方法。
- 材料陈述的贡献
- 摘要称，提出多种训练样本选择方法，并将其应用于困难案例，以处理最小训练样本方案可能不充分的情形。
- 阅读关注点
- 应核对不同选择规则如何处理信息差异、如何进入模型比较，以及案例中评价成功的标准和计算成本。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体选择规则和比较结果未说明，不能断言所有最小训练样本方法均不适用。
原文摘要
Central to several objective approaches to Bayesian model selection is the use of training samples (subsets of the data), so as to allow utilization of improper objective priors. The most common prescription for choosing training samples is to choose them to be as small as possible, subject to yielding proper posteriors; these are called minimal training samples. When data can vary widely in terms of either information content or impact on the improper priors, use of minimal training samples can be inadequate. Important examples include certain cases of discrete data, the presence of censored observations, and certain situations involving linear models and explanatory variables. Such situations require more sophisticated methods of choosing training samples. A variety of such methods are developed in this paper, and successfully applied in challenging situations.