Default Bayesian analysis with global-local shrinkage priors
使用全局—局部收缩先验的默认贝叶斯分析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：摘要关注默认先验、正则变化及高维信号收缩的通用贝叶斯问题，未提供所列经济金融细分方向的直接依据。
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…
使用全局—局部收缩先验的默认贝叶斯分析
- 研究问题
- 如何评价一个先验是否适合作为默认选择，尤其当看似无信息的先验对非线性函数产生强信息影响时，应如何处理？
- 方法与思路
- 作者以正则变化性质建立评价框架，研究全局—局部收缩先验，并通过四类非线性函数问题考察 horseshoe 先验。
- 材料陈述的贡献
- 摘要称 horseshoe 先验具有正则变化性质，在四个问题中表现符合要求，并能在非线性函数情形下分离低维信号与高维噪声。
- 阅读关注点
- 阅读时应核对默认先验的评价标准、正则变化与该标准的联系，以及四个问题的设定、超参数选择和后验表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未说明评价条件及四个问题的细节，不能将所述结果解释为所有任务中的最优先验。
原文摘要
We provide a framework for assessing the default nature of a prior distribution using the property of regular variation, which we study for global-local shrinkage priors. In particular, we show that the horseshoe priors, originally designed to handle sparsity, are regularly varying and thus are appropriate for default Bayesian analysis. To illustrate our methodology, we discuss four problems of noninformative priors that have been shown to be highly informative for nonlinear functions. In each case, we show that global-local horseshoe priors perform as required. Global-local shrinkage priors can separate a low-dimensional signal from high-dimensional noise even for nonlinear functions.