Bayesian fixed-domain asymptotics for covariance parameters in a Gaussian process model
高斯过程协方差参数的贝叶斯固定域渐近理论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：摘要主要讨论空间高斯过程与克里金预测，未明确涉及宏观预测、时间序列或所列金融方向。
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
高斯过程协方差参数的贝叶斯固定域渐近理论
- 研究问题
- 在各向同性 Matérn 协方差的泛克里金模型中，固定观测域下协方差参数的后验如何演化，并如何影响后验预测。
- 方法与思路
- 作者分析微遍历参数与相关范围参数的联合后验、全变差正态近似及预测效率，并对一维 Ornstein–Uhlenbeck 特例显式求解。
- 材料陈述的贡献
- 摘要称，在域维数不超过三时，两参数后验渐近分解；微遍历参数后验趋于方差缩小的正态分布，范围参数一般不集中于一点。
- 阅读关注点
- 应核对渐近分解的精确定义、先验与采样设计条件、参数集中性差异，以及随机后验参数下预测效率和收敛率的保证。
- 阅读边界
- 所给材料是稿件版本未注明的 OpenAlex 索引摘要；具体正则条件与收敛率未给出，不能将低维固定域结论推广到其他渐近框架。
原文摘要
Gaussian process models typically contain finite-dimensional parameters in the covariance function that need to be estimated from the data. We study the Bayesian fixed-domain asymptotics for the covariance parameters in a universal kriging model with an isotropic Matérn covariance function, which has many applications in spatial statistics. We show that when the dimension of domain is less than or equal to three, the joint posterior distribution of the microergodic parameter and the range parameter can be factored independently into the product of their marginal posteriors under fixed-domain asymptotics. The posterior of the microergodic parameter is asymptotically close in total variation distance to a normal distribution with shrinking variance, while the posterior distribution of the range parameter does not converge to any point mass distribution in general. Our theory allows an unbounded prior support for the range parameter and flexible designs of sampling points. We further study the asymptotic efficiency and convergence rates in posterior prediction for the Bayesian kriging predictor with covariance parameters randomly drawn from their posterior distribution. In the special case of one-dimensional Ornstein–Uhlenbeck process, we derive explicitly the limiting posterior of the range parameter and the posterior convergence rate for asymptotic efficiency in posterior prediction. We verify these asymptotic results in numerical experiments.