Bayesian Global-Local Regularization
贝叶斯全局-局部正则化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：摘要讨论的是高维统计中的贝叶斯全局-局部正则化与极小极大风险理论，未涉及所给因果推断、面板、时间序列、资产定价等具体领域细分，故不选择任何领域。
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…
贝叶斯全局-局部正则化
- 研究问题
- 摘要称，本文研究如何用一个统一框架连接岭回归、非负绞刑等经典正则化方法与现代贝叶斯分层建模，并在高维稀疏有序模型类中实现自适应收缩。
- 方法与思路
- 作者提出通过带序约束的边际似然估计局部正则化强度，将全局-局部正则化纳入等渗经验贝叶斯框架，并推广 Stein 的正部估计量；摘要称在稀疏有序模型类上证明该估计量达到近极小极大风险（至多差对数因子）。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：给出统一全局-局部正则化的框架，推广 Stein 正部估计量，建立等渗经验贝叶斯估计量的近极小极大风险界，并通过正交多项式回归展示方法灵活性，同时厘清经验贝叶斯、形状约束估计与自由度调整之间的联系。
- 阅读关注点
- 阅读全文时应核对：序约束的具体形式与适用条件、边际似然如何计算、近极小极大风险界所依赖的假设与稀疏有序模型类的定义、对数因子的具体阶，以及正交多项式回归示例的设定与结果。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明正确性、数值表现与相对已有方法的实际优势；摘要未说明模拟或实证细节。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We propose a unified framework for global-local regularization that bridges the gap between classical techniques -- such as ridge regression and the nonnegative garotte -- and modern Bayesian hierarchical modeling. By estimating local regularization strengths via marginal likelihood under order constraints, our approach generalizes Stein's positive-part estimator and provides a principled mechanism for adaptive shrinkage in high-dimensional settings. We establish that this isotonic empirical Bayes estimator achieves near-minimax risk (up to logarithmic factors) over sparse ordered model classes, constituting a significant advance in high-dimensional statistical inference. Applications to orthogonal polynomial regression demonstrate the methodology's flexibility, while our theoretical results clarify the connections between empirical Bayes, shape-constrained estimation, and degrees-of-freedom adjustments.