Needles and Straw in a Haystack: Posterior concentration for possibly sparse sequences
大海捞针：可能稀疏序列的后验集中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：摘要属于稀疏正态均值模型的通用贝叶斯理论，未指向所列领域细分。
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
大海捞针：可能稀疏序列的后验集中
- 研究问题
- 在稀疏多元正态均值模型中，层级先验如何影响非零分量数量的后验分布，以及后验向固定真实均值向量收缩的表现？
- 方法与思路
- 作者先对非零分量集合设置先验，再对其取值设置先验，在频率学派的数据生成框架下分析后验，并用模拟展示结果。
- 材料陈述的贡献
- 摘要称，若干先验组合具有良好表现，也识别出导致次优收敛的先验，包括非零系数的高斯先验；具体速率未列出。
- 阅读关注点
- 阅读时应核对稀疏度范围、先验尾部与模型规模条件、收缩损失及速率，并明确高斯先验次优结论的适用设定。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本，也未给出定理条件和具体速率；不能将高斯先验的次优结论推广到所有模型。
原文摘要
We consider full Bayesian inference in the multivariate normal mean model in the situation that the mean vector is sparse. The prior distribution on the vector of means is constructed hierarchically by first choosing a collection of nonzero means and next a prior on the nonzero values. We consider the posterior distribution in the frequentist set-up that the observations are generated according to a fixed mean vector, and are interested in the posterior distribution of the number of nonzero components and the contraction of the posterior distribution to the true mean vector. We find various combinations of priors on the number of nonzero coefficients and on these coefficients that give desirable performance. We also find priors that give suboptimal convergence, for instance, Gaussian priors on the nonzero coefficients. We illustrate the results by simulations.