新的贝叶斯方法改进了无限维模型的导数估计

一篇新发表在arXiv上的研究论文详细介绍了无限维指数族贝叶斯导数估计的进展。该研究引入了一种使用Wasserstein距离的新方法，该方法建立在Dolera等人（2024）先前工作的基础上。研究结果表明，平滑匹配先验可以在Sobolev范数下实现最优的后验收缩率，适用于密度估计、泊松强度估计和高斯白噪声模型等各种模型。 AI

影响 这项研究推进了贝叶斯统计的理论理解，可能影响依赖于复杂导数估计和建模的AI应用。

排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了一种新的统计方法。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv stat.ML 阅读 →

• arXiv
• Bayesian derivative estimation
• Dolera et al.
• Gaussian white-noise model
• infinite-dimensional exponential families
• logistic parametrisation
• Poisson intensity estimation
• Wasserstein metric

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →