阿尼尔班·巴塔查里亚;黛比·帕蒂;Natesh S.皮莱。;大卫·B·邓森。 最佳收缩的狄利克雷-拉普拉斯先验。 （英语） Zbl 1373.62368号 美国统计协会。 110、512号、1479-1490（2015）. 摘要：惩罚回归方法，如（L_{1}）正则化，通常用于高维应用，并且有大量关于稀疏假设下最优性的文献。在贝叶斯范式中，稀疏性通常是通过概率质量为零的两组分混合先验来诱导的，但这种先验在高维中遇到了令人畏惧的计算问题。这激发了连续收缩先验，可以表示为高斯的全局-局部尺度混合，便于计算。与频率学家的文献相比，对于此类先验分布的性质以及相应的后验分布的收敛性和集中性知之甚少。在本文中，我们提出了一类新的Dirichlet-Laplace先验函数，它具有最优的后验浓度，并能有效地进行后验计算。在模拟和实际数据示例中评估了Dirichlet-Laplace先验相对于备选方案的有限样本性能。 引用于116文件 MSC公司： 62J07型 岭回归；收缩估计器（拉索） 2015年1月62日 贝叶斯推断 关键词：迪里克利特-拉普拉斯;贝叶斯主义者;收敛速度;高维的;\（L_1\）;拉索;惩罚回归;正规化;先收缩 PDF格式BibTeX公司 XML格式引用 \textit{A.Bhattacharya}等人，《美国统计协会期刊》第110卷，第512期，第1479--1490页（2015年；Zbl 1373.62368） 全文： 内政部 arXiv公司