The adaptive normal-hypergeometric-inverted-beta priors for sparse signals
The adaptive normal-hypergeometric-inverted-beta priors for sparse signals
复制标题
稀疏信号的自适应正态超几何倒β先验
DOI：
10.1080/00949655.2020.1815199
复制
发表时间：
2021
影响因子：
1.2
通讯作者：
Cao, Di
中科院分区：
文献类型：
--
作者：
Yu, Hanjun;Xu, Xinyi;Cao, Di
研究了稀疏性条件下高维正态均值的估计。文献中的大多数收缩先验都是基于对稀疏度水平和信号大小的某些假设。违反这些假设可能导致不满意的估计。在本文中，我们提出了一类新的灵活先验，即自适应正态超几何逆贝塔（ANHIB）先验，它推广了几种流行的收缩先验，而不需要对数据稀疏度和信号大小的先验知识，因此可以在各种情况下用作良好的默认先验。我们表明，ANHIB估计器对噪声有很强的抑制作用，对大信号有很小的收缩，并且在各种稀疏度水平和信号大小下都具有一致的优越估计性能。
We investigate the estimation of high-dimensional normal mean under sparsity. Most shrinkage priors in the literature are based on certain assumptions of sparsity levels and signal sizes. Violation of these assumptions can lead to unsatisfactory estimation. In this paper, we propose a new class of flexible priors, the adaptive normal-hypergeometric-inverted-Beta (ANHIB) priors, which generalize several popular shrinkage priors without requiring prior knowledge of data sparsity levels and signal sizes, and thus can be used as good default priors in a large variety of situations. We show that the ANHIB estimators provide strong suppression to noises and little shrinkage to large signals, and have consistently superior estimation performance under various sparsity levels and signal sizes.
登录
查看更多内容
使用超几何倒β先验进行大规模同步测试
DOI：
--
发表时间：
2010
期刊：
影响因子：
--
作者：
Nicholas G. Polson;James G. Scott
通讯作者：
James G. Scott
影响因子：
4.5
作者：
BERGER, J
通讯作者：
BERGER, J
DOI：
10.1198/016214506000000735
发表时间：
2006-12-01
影响因子：
3.7
作者：
Zou, Hui
通讯作者：
Zou, Hui
稀疏性下多重假设检验中一般类收缩先验的贝叶斯风险的渐近性质
DOI：
--
发表时间：
2013
期刊：
影响因子：
--
作者：
P. Ghosh;Xueying Tang;M. Ghosh;A. Chakrabarti
通讯作者：
A. Chakrabarti
DOI：
--
发表时间：
1998
期刊：
影响因子：
--
作者：
Michael B. Gordy
通讯作者：
Michael B. Gordy