Towards a practicable Bayesian nonparametric density estimator
迈向可实施的贝叶斯非参数密度估计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：摘要讨论一般密度平滑理论，没有微观分布效应或宏观预测应用，领域证据不足。
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
迈向可实施的贝叶斯非参数密度估计
- 研究问题
- 非参数密度估计对平滑参数敏感时，如何通过层次贝叶斯建模自动选择平滑程度，并将参数不确定性纳入预测密度？
- 方法与思路
- 作者以高斯过程经逻辑斯蒂变换形成的过程作为密度先验，近似计算矩以推断平滑参数，再对条件预测密度进行混合。
- 材料陈述的贡献
- 摘要称该层次贝叶斯方法能自动进行数据依赖的平滑选择，并使选择的平滑程度与所指定的先验保持一致。
- 阅读关注点
- 应核对密度先验的构造、协方差核与平滑参数的关系、联合矩近似误差，以及预测密度对先验设定的敏感性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；近似精度与计算成本未说明，先验一致性不能直接解释为普遍性能优势。
原文摘要
SUMMARY Nonparametric density estimators smooth the empirical distribution function and are sensitive to the choice of smoothing parameters. This paper develops an hierarchical Bayes formulation for the smoothing problem. The prior distribution for the density function is the logistic normal process, which is a logistic transform of a Gaussian process. The covariance of the Gaussian process is a smoothing kernel and has parameters that control the degree of smoothness. The likelihood function for the smoothing parameters and their posterior density are computed from an approximation of the joint moments of the logistic normal process. The marginal predictive density mixes the conditional predictive density given the smoothing parameters with their posterior distribution. This hierarchical Bayes analysis provides a fully automated, data-dependent method for smoothing and selects the amount of smoothing that is coherent with its prior specification.