Multivariate Bayesian function estimation
多变量贝叶斯函数估计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：摘要研究流形上的非参数函数估计并应用于天文学，没有所列经济计量细分方向的直接证据。
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
多变量贝叶斯函数估计
- 研究问题
- 在定义域为紧致黎曼流形的多变量非参数回归中，如何利用流形几何诱导的对称性构造贝叶斯函数估计？
- 方法与思路
- 作者将层级贝叶斯方法纳入流形的谱结构，构造适应对称性的估计器，并研究弱化部分先验信息后与平滑样条的联系。
- 材料陈述的贡献
- 摘要称，相关极限对应流形上的平滑样条，其达到极小极大收敛率的结果为贝叶斯估计提供频率学性质支持，并给出天文学应用。
- 阅读关注点
- 应核对函数空间、几何对称性与先验的设定，以及样条极限和极小极大结论如何转化为贝叶斯估计器的频率学性质。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法核验具体收敛率、适用条件或刊本变化；不能推断任意流形和任意先验都具有相同性质。
原文摘要
Bayesian methods are developed for the multivariate nonparametric regression problem where the domain is taken to be a compact Riemannian manifold. In terms of the latter, the underlying geometry of the manifold induces certain symmetries on the multivariate nonparametric regression function. The Bayesian approach then allows one to incorporate hierarchical Bayesian methods directly into the spectral structure, thus providing a symmetry-adaptive multivariate Bayesian function estimator. One can also diffuse away some prior information in which the limiting case is a smoothing spline on the manifold. This, together with the result that the smoothing spline solution obtains the minimax rate of convergence in the multivariate nonparametric regression problem, provides good frequentist properties for the Bayes estimators. An application to astronomy is included.