Adaptive nonparametric Bayesian inference using location-scale mixture priors
使用位置—尺度混合先验的自适应非参数贝叶斯推断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。
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：摘要讨论通用非参数贝叶斯先验与速率理论，未提供对应所列经济计量细分的直接证据。
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
使用位置—尺度混合先验的自适应非参数贝叶斯推断
- 研究问题
- 如何构造位置—尺度混合先验，使非参数贝叶斯方法在多元回归、密度估计与分类问题中获得收敛速率自适应性？
- 方法与思路
- 作者研究位置—尺度混合先验，并特别讨论以高斯核、逆伽马带宽和高斯混合权重构造回归函数先验。
- 材料陈述的贡献
- 摘要称适当构造先验可以获得速率自适应程序，并明确指出所述高斯核混合先验能够实现回归问题中的自适应。
- 阅读关注点
- 应核对自适应针对的函数类别、收敛度量与速率，以及各先验成分的条件在回归、密度估计和分类中如何变化。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；具体函数类别、收敛速率和计算方案未说明，不能据此判断实际预测表现。
原文摘要
We study location-scale mixture priors for nonparametric statistical problems, including multivariate regression, density estimation and classification. We show that a rate-adaptive procedure can be obtained if the prior is properly constructed. In particular, we show that adaptation is achieved if a kernel mixture prior on a regression function is constructed using a Gaussian kernel, an inverse gamma bandwidth, and Gaussian mixing weights.