Bayesian monotone regression using Gaussian process projection
利用高斯过程投影的贝叶斯单调回归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：摘要讨论通用形状约束回归，未明确涉及所列计量领域细分。
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
利用高斯过程投影的贝叶斯单调回归
- 研究问题
- 在曲线或曲面应满足单调约束时，如何进行贝叶斯估计，使结果符合形状要求，并兼顾计算便利与统计性质？
- 方法与思路
- 作者先获得高斯过程的后验样本，再将样本投影到满足单调约束的函数集合，并研究投影连续性与后验收缩速度。
- 材料陈述的贡献
- 摘要称，该方法计算简单、有限样本表现良好，并可扩展到其他约束函数估计及多变量情形；具体扩展条件未说明。
- 阅读关注点
- 应核对投影使用的距离与约束集合、投影后分布的推断含义，以及收缩理论、曲面计算和不确定性评估的条件。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要未给出先验要求、收缩速度或区间覆盖性质，不能认定所有形状约束均适用。
原文摘要
Shape-constrained regression analysis has applications in dose-response modelling, environmental risk assessment, disease screening and many other areas. Incorporating the shape constraints can improve estimation efficiency and avoid implausible results. We propose a novel method, focusing on monotone curve and surface estimation, which uses Gaussian process projections. Our inference is based on projecting posterior samples from the Gaussian process. We develop theory on continuity of the projection and rates of contraction. Our approach leads to simple computation with good performance in finite samples. The proposed projection method can also be applied to other constrained-function estimation problems, including those in multivariate settings.