Default priors for Gaussian processes
高斯过程的默认先验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：摘要研究高斯过程的通用贝叶斯先验与计算机模型验证，未明确涉及所列经济或金融专门方向。
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
高斯过程的默认先验
- 研究问题
- 在利用高斯过程评价复杂计算机模型时，如何为其参数指定客观先验，并保证后验分布适当及推断程序具有可用性质？
- 方法与思路
- 作者推导Jeffreys规则先验、独立Jeffreys先验和参考先验，并考虑基于最大似然估计的适当平坦先验策略。
- 材料陈述的贡献
- 摘要称在较一般条件下证明所得后验适当，比较不同先验所产生程序的频率学性质，并讨论计算与模型验证实例。
- 阅读关注点
- 应核对高斯过程的参数化、后验适当性条件、平坦先验的构造，以及频率学比较所采用的评价标准和计算方法。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；后验适当性的具体条件及先验比较结果未说明，不能据此确定通用最佳先验。
原文摘要
Motivated by the statistical evaluation of complex computer models, we deal with the issue of objective prior specification for the parameters of Gaussian processes. In particular, we derive the Jeffreys-rule, independence Jeffreys and reference priors for this situation, and prove that the resulting posterior distributions are proper under a quite general set of conditions. A proper flat prior strategy, based on maximum likelihood estimates, is also considered, and all priors are then compared on the grounds of the frequentist properties of the ensuing Bayesian procedures. Computational issues are also addressed in the paper, and we illustrate the proposed solutions by means of an example taken from the field of complex computer model validation.