Bayesian aspects of some nonparametric problems
若干非参数问题的贝叶斯视角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：材料讨论非参数函数估计与先验的极小极大性质，没有经济结构、因果效应或其他所列细分方向的明确设定。
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
若干非参数问题的贝叶斯视角
- 研究问题
- 在非参数回归和信号估计中，共轭高斯先验对应的贝叶斯估计能否达到范数有界参数集上的极小极大收敛速率？
- 方法与思路
- 作者分析高斯先验下贝叶斯程序的渐近性质，并提出由适当高斯分布构成的复合或层次混合先验作为替代。
- 材料陈述的贡献
- 摘要称，在所研究的大参数空间设定下，适当高斯先验的估计未达正确极小极大速率，而所提出混合先验可达最优速率。
- 阅读关注点
- 应核对参数空间与范数约束、先验非零质量条件，以及零渐近效率的定义和混合先验达到最优速率的具体要求。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；参数空间及先验条件未完整给出，不能把高斯先验的负面结论推广到所有贝叶斯问题。
原文摘要
We study the Bayesian approach to nonparametric function estimation problems such as nonparametric regression and signal estimation. We consider the asymptotic properties of Bayes procedures for conjugate (= Gaussian) priors. We show that so long as the prior puts nonzero measure on the very large parameter set of interest then the Bayes estimators are not satisfactory. More specifically, we show that these estimators do not achieve the correct minimax rate over norm bounded sets in the parameter space. Thus all Bayes estimators for proper Gaussian priors have zero asymptotic efficiency in this minimax sense. We then present a class of priors whose Bayes procedures attain the optimal minimax rate of convergence. These priors may be viewed as compound, or hierarchical, mixtures of suitable Gaussian distributions.