Nonparametric Bayesian Regression
非参数贝叶斯回归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：摘要研究通用函数回归与高斯过程估计，未明确所列经济计量细分的研究对象。
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
非参数贝叶斯回归
- 研究问题
- 在单位正方形上的有限观测点以误差测量未知实值函数时，如何用高斯过程先验构造估计，并控制观测点平均平方误差？
- 方法与思路
- 作者假定函数来自特定高斯过程、测量误差独立且高斯，构造条件于数据的贝叶斯估计，推导先验对应的粗糙度惩罚。
- 材料陈述的贡献
- 摘要称建立与方差分量分析的联系，证明观测点平均期望平方误差趋零并给出阶数上界，同时用模拟与样条方法比较。
- 阅读关注点
- 应核对高斯过程先验、观测点设计和误差假设，区分观测点平均误差与全域误差，并查阅误差上界及样条比较的设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；一致性限于所述误差准则，高维推广条件与模拟优势未说明，不能推断刊本变化。
原文摘要
It is desired to estimate a real valued function F on the unit square having observed F with error at N points in the square. F is assumed to be drawn from a particular Gaussian process and measured with independent Gaussian errors. The proposed estimate is the Bayes estimate of F given the data. The roughness penalty corresponding to the prior is derived and it is shown how the Bayesian technique can be regarded as a generalisation of variance components analysis. The proposed estimate is shown to be consistent in the sense that the expected squared error averaged over the data points converges to zero as $N\rightarrow\infty$. Upper bounds on the order of magnitude of magnitude of the expected average squared error are calculated. The proposed technique is compared with existing spline techniques in a simulation study. Generalisations to higher dimensions are discussed.