发表机构
University College London; Monash University（伦敦大学学院; 蒙纳士大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文针对模型误设下无法直接采样的面向预测的后验分布，提出一种密度可逐点评估且误差快速衰减的近似，并应用于流行病学、空间统计和低能核物理案例。
AI 中文摘要
面向预测的后验分布即使在模型误设下也能提供有原则的不确定性量化。然而，该后验分布不具有显式密度，因此无法使用经典的蒙特卡洛采样算法进行计算。我们通过推导面向预测的后验分布的一种近似来解决这一问题，该近似的密度可以逐点评估，且其近似误差快速衰减。这些结果在流行病学、空间统计和低能核物理的案例研究中得到了展示。
英文摘要
The predictively oriented posterior offers principled uncertainty quantification, even under model misspecification. However, it does not admit an explicit density and therefore cannot be computed using classical Monte Carlo sampling algorithms. We remedy this by deriving an approximation to the predictively oriented posterior whose density can be evaluated point-wise, and whose approximation error decays rapidly. These results are illustrated on case studies from epidemiology, spatial statistics, and low-energy nuclear physics.
Comments14 (+22 supplementary) pages (excluding references); 5 (+1 supplementary) figures
