Robust Bayesian Inference via Coarsening
通过粗化实现稳健贝叶斯推断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：核心贡献是通用贝叶斯稳健推断，自回归模型仅为示例，不足以将整项研究归入特定时间序列方向。
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
通过粗化实现稳健贝叶斯推断
- 研究问题
- 当真实数据分布轻微偏离所选模型类时，如何降低贝叶斯推断对模型误设的敏感性，同时保留常用算法的计算便利？
- 方法与思路
- 作者通过模型生成数据与观测数据在分布意义上接近这一事件进行条件化；以相对熵定义接近程度时，用分数幂似然近似粗化后验。
- 材料陈述的贡献
- 摘要称提出了改善小幅模型偏离稳健性的推断方式，推导部分理论性质，并在混合模型及阶数未知的自回归模型中展示应用。
- 阅读关注点
- 应核对接近程度与粗化参数的定义、分数幂似然近似的条件，以及稳健性、信息损失、后验集中和计算结果之间的关系。
- 阅读边界
- 索引摘要未注明稿件版本；具体理论条件、调参规则和稳健性比较数值未说明，不能认定粗化后验对任意模型误设都具有保障。
原文摘要
The standard approach to Bayesian inference is based on the assumption that the distribution of the data belongs to the chosen model class. However, even a small violation of this assumption can have a large impact on the outcome of a Bayesian procedure. We introduce a novel approach to Bayesian inference that improves robustness to small departures from the model: rather than conditioning on the event that the observed data are generated by the model, one conditions on the event that the model generates data close to the observed data, in a distributional sense. When closeness is defined in terms of relative entropy, the resulting "coarsened" posterior can be approximated by simply tempering the likelihood-that is, by raising the likelihood to a fractional power-thus, inference can usually be implemented via standard algorithms, and one can even obtain analytical solutions when using conjugate priors. Some theoretical properties are derived, and we illustrate the approach with real and simulated data using mixture models and autoregressive models of unknown order.