Adaptive Bayesian estimation using a Gaussian random field with inverse Gamma bandwidth
使用逆 Gamma 带宽高斯随机场的自适应贝叶斯估计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：摘要统一研究密度估计、回归和分类的先验适应理论，没有明确经济选择、面板或特定分布效应问题，故暂不归类。
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
使用逆 Gamma 带宽高斯随机场的自适应贝叶斯估计
- 研究问题
- 能否用固定的层级高斯随机场先验，在未知函数光滑度下自动调整尺度，并获得接近极小极大最优的后验收缩速度？
- 方法与思路
- 作者以 Gamma 随机变量重标度平滑高斯随机场，从频率学派角度分析密度估计、回归与分类三类问题的后验收缩。
- 材料陈述的贡献
- 摘要称，固定先验的层级贝叶斯程序能适应数据生成分布的正则程度，其后验收缩速度在对数因子之外达到极小极大最优。
- 阅读关注点
- 应核对可适应的光滑度范围、收缩距离与对数损失，以及三类统计问题对函数空间、观测分布和先验的具体要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出正则条件与适应范围，收缩速度也不能直接保证可信区间覆盖率。
原文摘要
We consider nonparametric Bayesian estimation inference using a rescaled smooth Gaussian field as a prior for a multidimensional function. The rescaling is achieved using a Gamma variable and the procedure can be viewed as choosing an inverse Gamma bandwidth. The procedure is studied from a frequentist perspective in three statistical settings involving replicated observations (density estimation, regression and classification). We prove that the resulting posterior distribution shrinks to the distribution that generates the data at a speed which is minimax-optimal up to a logarithmic factor, whatever the regularity level of the data-generating distribution. Thus the hierachical Bayesian procedure, with a fixed prior, is shown to be fully adaptive.