Ideal Bayesian Spatial Adaptation
理想的贝叶斯局部自适应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：摘要研究一般贝叶斯非参数函数估计与局部自适应理论，未提供所列应用细分的明确依据。
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
理想的贝叶斯局部自适应
- 研究问题
- 面对局部平滑程度不同、可能具有跳跃或振荡的曲线，常用贝叶斯方法能否适应局部复杂度，并提供宽度随局部平滑性变化的置信带？
- 方法与思路
- 作者在白噪声与非参数回归模型中研究局部 Hölder 函数，分析尖峰厚尾先验与贝叶斯 CART，并提出排斥式分区先验。
- 材料陈述的贡献
- 摘要称，所研究方法获得局部自适应后验集中率，置信带在局部自相似条件下具有一致渐近覆盖；另给出分层高斯过程先验的局限下界。
- 阅读关注点
- 应核对局部函数类、上确界损失及自相似条件，区分不同先验的速率结论，并检查高斯过程下界针对的具体先验范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法确认具体速率、常数和条件；所述下界不能推广至所有高斯过程或任意函数类别。
原文摘要
Many real-life applications involve estimation of curves that exhibit complicated shapes including jumps or varying-frequency oscillations. Practical methods have been devised that can adapt to a locally varying complexity of an unknown function (e.g. variable-knot splines, sparse wavelet reconstructions, kernel methods or trees/forests). However, the overwhelming majority of existing asymptotic minimaxity theory is predicated on homogeneous smoothness assumptions. Focusing on locally Hölder functions, we provide new locally adaptive posterior concentration rate results under the supremum loss for widely used Bayesian machine learning techniques in white noise and non-parametric regression. In particular, we show that popular spike-and-slab priors and Bayesian CART are uniformly locally adaptive. In addition, we propose a new class of repulsive partitioning priors which relate to variable knot splines and which are exact-rate adaptive. For uncertainty quantification, we construct locally adaptive confidence bands whose width depends on the local smoothness and which achieve uniform asymptotic coverage under local self-similarity. To illustrate that spatial adaptation is not at all automatic, we provide lower-bound results showing that popular hierarchical Gaussian process priors fall short of spatial adaptation.