Heavy-tailed Bayesian nonparametric adaptation
重尾先验下的贝叶斯非参数自适应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：摘要中的重尾描述先验分布，研究目标是通用非参数适应性，未直接对应所列细分领域。
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
重尾先验下的贝叶斯非参数自适应
- 研究问题
- 如何通过重尾级数先验适应未知函数平滑度，在无需抽样超参数的情况下，实现不同模型与损失下的后验收缩？
- 方法与思路
- 作者利用先验尾部实现软选择，在高斯回归、线性逆问题及各向异性 Besov 类中研究适应性，并在部分模型使用温度化后验。
- 材料陈述的贡献
- 摘要称后验可达到允许对数因子的自适应极小极大收缩率，在高斯回归中同时实现 L2 与 L∞ 意义下的近最优适应。
- 阅读关注点
- 应核对重尾先验的具体条件、函数类与损失、对数因子及适应范围，并确认温度化后验与普通后验各自适用的结果。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列收缩率公式或完整条件，重尾先验也不能据此解释为金融尾部风险模型。
原文摘要
We propose a new Bayesian strategy for adaptation to smoothness in nonparametric models based on heavy-tailed series priors. We illustrate it in a variety of settings, showing in particular that the corresponding Bayesian posterior distributions achieve adaptive rates of contraction in the minimax sense (up to logarithmic factors) without the need to sample hyperparameters. Unlike many existing procedures, where a form of direct model (or estimator) selection is performed, the method can be seen as performing a soft selection through the prior tail. In Gaussian regression, such heavy-tailed priors are shown to lead to (near-)optimal simultaneous adaptation both in the L2- and L∞-sense. Results are also derived for linear inverse problems, for anisotropic Besov classes, and for certain losses in more general models through the use of tempered posterior distributions. We present numerical simulations corroborating the theory.