基于随机测度上最优传输的意见融合速率

随机测度为贝叶斯非参数模型提供了灵活的参数。给定随机测度的两个不同先验，我们开发了一个自然框架来研究随着样本量增大相应后验融合的速率。我们定义了一种随机测度定律之间的新距离，它构建于非平衡测度底空间上的 Wasserstein 距离，并赋予有界 Lipschitz 度量。我们为其针对完全随机测度（包括泊松和伽马随机测度的特例）的设定开发了紧解析界。这些界用适应化的扩展 Wasserstein 距离在 Lévy 测度之间加以解释，并用于研究归一化伽马与广义伽马先验后验之间的融合。在对随机测度定律的可识别性进行仔细研究后，无需对真实数据生成过程施加任何假设便推导出了有趣的渐近与有限样本洞见。