Bayesian inference with rescaled Gaussian process priors
Bayesian inference with rescaled Gaussian process priors
复制标题
DOI：
10.1214/07-ejs098
复制
发表时间：
2007-10
影响因子：
1.1
通讯作者：
A. Vaart;H. Zanten
中科院分区：
文献类型：
--
作者：
A. Vaart;H. Zanten
我们使用重标度高斯过程作为非参数统计模型中函数参数的先验模型。我们展示了后验分布的收缩率如何依赖于比例因子。特别是，我们展示了重新缩放的高斯过程先验，产生的后验概率以最佳收敛率围绕真实参数收缩。为了得到我们的结果，我们建立了光滑平稳高斯过程的小偏差概率的界限。
We use rescaled Gaussian processes as prior models for functional parameters in nonparametric statistical models. We show how the rate of contraction of the posterior distributions depends on the scaling factor. In particular, we exhibit rescaled Gaussian process priors yielding posteriors that contract around the true parameter at optimal convergence rates. To derive our results we establish bounds on small deviation probabilities for smooth stationary Gaussian processes.