Horseshoe Predictive Inference
马蹄先验下的预测推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：核心是一般稀疏高斯序列的贝叶斯预测理论，应用涉及图像和脑侧化，摘要不足以支持宏观或金融预测分类。
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
马蹄先验下的预测推断
- 研究问题
- 在稀疏高斯序列模型中，马蹄先验能否支持具有最优预测风险的贝叶斯推断，并在未知稀疏度时自动调整收缩？
- 方法与思路
- 作者研究马蹄先验的预测贝叶斯估计，以高斯混合表示解释后验预测密度，并用层级先验处理未知稀疏度。
- 材料陈述的贡献
- 摘要称，已知稀疏度时可达到精确渐近极小极大最优性；未知稀疏度时实现自适应切换，并在最小信号条件下给出受限类风险界。
- 阅读关注点
- 应核对预测损失与渐近设定、层级先验选择、最小信号条件，以及受限参数类风险界与全类极小极大风险的区别。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出最优性条件，图像和时间序列应用不能证明普遍预测优势。
原文摘要
Predictive inference in the sparse Gaussian sequence model has received considerably less attention than its non-sparse, finite-sample counterpart. Existing work has largely been confined to discrete mixture priors. In this paper, we study predictive inference under a widely used continuous mixture prior, the Horseshoe. We provide new theoretical results establishing exact asymptotic minimax optimality of the predictive Bayes estimator when the sparsity level is known. Furthermore, through a Gaussian-mixture representation of the posterior predictive density (which we term Horseshoe spectroscopy), the phase-transition in the local shrinkage scale is inherited by the predictive mechanism, producing behavior similar to that of previous thresholding/switching estimators. When sparsity is unknown, we adopt a fully Bayesian approach using a hierarchical Horseshoe prior and show that it performs adaptive, as opposed to manual, switching. Under a theta-min condition, the resulting predictive risk admits an upper bound over a restricted parameter class that is sharper than the minimax rate over the full class. We demonstrate the practical value of predictive Horseshoe shrinkage on data such as images and time series that can be naturally modeled as sparse Gaussian sequences. We illustrate this approach on facial recognition across varying facial expressions and study region-wise atypical brain lateralization in autism spectrum disorder.