Bayesian curve-fitting with free-knot splines
基于自由结点样条的贝叶斯曲线拟合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：摘要研究通用贝叶斯样条曲线拟合，没有所列计量细分方向的明确文本依据。
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
基于自由结点样条的贝叶斯曲线拟合
- 研究问题
- 对于来自指数族的数据，如何在贝叶斯曲线拟合中同时学习样条结点的数量与位置，并对回归系数及其函数推断？
- 方法与思路
- 作者使用可逆跳跃 MCMC 更新结点配置，以局部性启发式改善混合，并在非正态模型中用 BIC 近似积分似然比。
- 材料陈述的贡献
- 摘要称给出基于结点配置边际链的拟合与系数推断方法，模拟提示表现良好，并展示两个神经科学应用。
- 阅读关注点
- 应核对结点与系数先验、可逆跳跃更新方式、使 BIC 近似准确的先验条件，以及混合加速和拟合表现的证据。
- 阅读边界
- 所给材料是版本未注明的 OpenAlex 索引摘要；未说明先验细节、近似误差或模拟比较标准，不能由表现良好推断普遍优势。
原文摘要
We describe a Bayesian method, for fitting curves to data drawn from an exponential family, that uses splines for which the number and locations of knots are free parameters. The method uses reversible‐jump Markov chain Monte Carlo to change the knot configurations and a locality heuristic to speed up mixing. For nonnormal models, we approximate the integrated likelihood ratios needed to compute acceptance probabilities by using the Bayesian information criterion, BIC, under priors that make this approximation accurate. Our technique is based on a marginalised chain on the knot number and locations, but we provide methods for inference about the regression coefficients, and functions of them, in both normal and nonnormal models. Simulation results suggest that the method performs well, and we illustrate the method in two neuroscience applications.