Что означает термин «редкий априорный» (FBProphet Paper)?

Читая статью «Прогнозирование в масштабе» (инструмент прогнозирования FBProphet, см. Https://peerj.com/preprints/3190.pdf ), я натолкнулся на термин «разреженный априор». Авторы объясняют, что они использовали такой «разреженный априор» при моделировании вектора отклонений скорости $\mathbf{\delta}$ от некоторой скалярной скорости $k$ , которая является модельным параметром в модели логистического роста.

Поскольку они утверждают, что $\delta_j \sim\text{Laplace}(0,\tau)$ , правильно ли я понимаю, что «разреженный» относится к элементам, несущим вектор, близким к нулю, если параметр $\tau$ был малым? Я в замешательстве, потому что я думал, что все векторные элементы должны быть параметрами регрессии, но их определение таким образом оставляет параметры $k$ и $\tau$ как параметры свободной модели, не так ли?

Кроме того, используется ли распределение Лапласа для генерации предыдущего общего? Я не понимаю, почему это предпочтительнее, чем нормальное распределение.

Разреженные данные - это данные со многими нулями. Здесь авторы, по-видимому, называют априор разреженным, поскольку он выбирает нули. Это довольно очевидно, если вы посмотрите на форму распределения Лапласа (он же двойная экспонента), пик которого равен нулю.

(источник изображения Tibshirani, 1996)

$\tau$

По этой причине април Лапласа часто используется как надежный априор , имеющий регуляризующий эффект. С учетом вышесказанного, приоритет Лапласа является популярным выбором, но если вам нужны действительно редкие решения, могут быть и лучшие варианты, как описано Van Erp et al (2019).

_{Van Erp S., Oberski DL & Mulder J. (2019). Приоритеты усадки для Байесовской регрессии. Журнал математической психологии, 89 , 31-50. DOI: 10.1016 / j.jmp.2018.12.004}