Robustifying Empirical Bayes
经验贝叶斯方法的稳健化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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要仅涉及通用高斯序列去噪与经验贝叶斯稳健性，未指向所给列表中的具体经济计量应用，故暂不分类。
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
经验贝叶斯方法的稳健化
- 研究问题
- 在高斯序列模型的经典去噪问题中，如何降低对初始先验设定的敏感性，并应对高斯噪声假设可能不适用的情形？
- 方法与思路
- 作者探索两条路径：利用受限贝叶斯方法减弱先验设定影响，以及考虑高斯噪声的替代形式，并借助经典稳健统计思想。
- 材料陈述的贡献
- 摘要明确提出从先验稳健性与噪声分布稳健性两个方向改造经典去噪程序，但未陈述具体风险界或性能比较结果。
- 阅读关注点
- 应核对受限贝叶斯约束如何定义、替代噪声模型有哪些，以及稳健化程序的目标函数、计算方法与统计性能评价。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要较简略，未说明具体估计程序、理论保证或经验结果。
原文摘要
Two strategies are explored for robustifying classical denoising procedures for the Gaussian sequence model. First, the Hodges and Lehmann (1952) restricted Bayes approach is used to reduce sensitivity to the specification of the initial prior distribution. Second, alternatives to the Gaussian noise assumption are explored. In both cases proposals of Huber (1964) and Mallows (1978) play a crucial role.