On Approximating Parametric Bayes Models by Nonparametric Bayes Models
用非参数贝叶斯模型逼近参数贝叶斯模型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先验逼近与决策理论，未指定所列领域的模型或应用。
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
用非参数贝叶斯模型逼近参数贝叶斯模型
- 研究问题
- 能否用 Dirichlet 过程混合先验逼近给定参数贝叶斯模型，使先验质量集中于该模型附近，并保持相关贝叶斯决策接近？
- 方法与思路
- 作者在包含欧氏空间的一类拓扑样本空间上构造 Dirichlet 过程混合先验，分别研究先验邻域质量和无样本时的贝叶斯规则。
- 材料陈述的贡献
- 摘要称，这类非参数先验可逼近参数模型，并使无样本情形的贝叶斯规则接近；任意参数或非参数先验也可被任意精确地逼近。
- 阅读关注点
- 应核对逼近所用的拓扑与距离、先验邻域的定义、损失函数条件，以及无样本决策结果能否延伸到观测数据后的推断。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；无样本决策接近不等于后验或预测接近，具体条件与刊本变化无法判断。
原文摘要
Let $\tau$ be a prior distribution over the parameter space $\Theta$ for a given parametric model $P_\theta, \theta \in \Theta$. For the sample space $\mathscr{X}$ (over which $P_\theta$'s are probability measures) belonging to a general class of topological spaces, which include the usual Euclidean spaces, it is shown that this parametric Bayes model can be approximated by a nonparametric Bayes model of the form of a mixture of Dirichlet processes prior, so that (i) the nonparametric prior assigns most of its weight to neighborhoods of the parametric model, and (ii) the Bayes rule for the nonparametric model is close to the Bayes rule for the parametric model in the no-sample case. Moreover, any prior parametric or nonparametric, may be approximated arbitrarily closely by a prior which is a mixture of Dirichlet processes. These results have implications in Bayesian inference.