A Bayesian approach to density estimation
密度估计的贝叶斯方法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：文本属于通用贝叶斯密度估计，未涉及经济分位数或分布效应，不足以归入所列细分方向。
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
密度估计的贝叶斯方法
- 研究问题
- 如何以满足密度归一化约束的对数高斯过程构造未知密度的先验，并由观测更新先验、计算后验众数作为估计？
- 方法与思路
- 作者对对数密度设定带归一化约束的高斯过程先验，描述后验均值的更新，并用数值方法求解后验众数的隐式表达。
- 材料陈述的贡献
- 摘要称，在所述约束下后验保持相同协方差结构，先验可视作共轭；离散情形的后验众数近似平方损失下的最优估计。
- 阅读关注点
- 应核对归一化约束下过程的确切含义、共轭性的论证、后验众数的数值求解，以及离散情形近似结论的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；约束过程的定义、近似误差和计算稳定性未说明，不能将离散情形结论直接推广至连续情形。
原文摘要
Assume a priori that the log density is a sample function from a Gaussian process subject to the condition that the density integrates to one. The posterior distribution given a number of observations is then still a Gaussian process with the same condition and the same covariance function. The mean value function is changed according to a simple formula. This prior may thus be regarded as a conjugate prior for an unknown density. The mode of the posterior distribution is given implicitly by a simple formula, which can be solved numerically. The mode is a close approximation to the optimal estimate with squared error loss in the discrete case. Some examples with data are given.