Variational Bayes and non-Bayesian Updating
变分贝叶斯与非贝叶斯更新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：片段研究信念更新的决策理论基础，未提供离散选择估计或其他所列计量方向的直接证据，故使用空分类。
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
变分贝叶斯与非贝叶斯更新
- 研究问题
- 能否将常见的非贝叶斯信念更新解释为选择信念的优化结果，并区分模型错设态度与不确定性偏好各自的作用？
- 方法与思路
- 作者在有限状态空间中，以相对熵衡量偏离先验的代价，结合数据拟合项和熵偏好项，分析所得信念更新规则。
- 材料陈述的贡献
- 片段称，这一优化表示为指数更新提供微观基础，并将偏好分解为对模型错设与不确定性的态度，另讨论极端信念情形。
- 阅读关注点
- 应核对先验与似然的支持条件、参数映射及临界情形的多解表述，并区分精确优化等价与受限变分近似的计算收益。
- 阅读边界
- 依据 arXiv:2405.08796v2 原文片段（PDF 1–9 页）；官方摘要保留。公式、完整证明及片段以外的结论需另行核对。 依据 arXiv:2405.08796v2 独立工作论文预印本片段，不能据此声称已评审或接收；上下标及临界情形表述需查原PDF，未提供实证检验。
原文摘要
I show how variational Bayes can be used as a microfoundation for a popular model of non-Bayesian updating.