研究了高维稀疏线性回归中,贝叶斯模型选择先验的平均场斯派克和板块变分贝叶斯(VB)逼近,证明在设计矩阵兼容条件下,该逼近方式渐进地达到最优稀疏性真理和响应向量的最优预测,经实验证明该算法与其他最先进的贝叶斯变量选择方法具有相当的性能,同时提出了一种新的优先更新方案来提高变分推理算法的性能。
Apr, 2019
本文综述了贝叶斯及相关方法在高维模型中的性质,如许多正常问题,线性回归,广义线性模型,高斯和非高斯图模型等。同时也讨论了有效的计算方法。
Jan, 2021
文中提出了一种高效的从结构化多元高斯分布中采样的方法,该分布经常作为分配条件高斯先验的模型参数的条件后验概率。所提出的算法仅需要矩阵操作(如矩阵乘法和线性系统解),并展示了与现有算法相比,算法的计算复杂度随着维度的增加而线性增长。该算法应该广泛适用于在高维模型参数上使用高斯比例混合先验的设置中。通过在具有马蹄先验的高维回归设置中进行后验采样,我们提供了一个说明。
Jun, 2015
本研究提出了一种概率稀疏性先验,用于建模相对于通用基的稀疏性,并设计了一个神经网络作为线性逆问题的贝叶斯估计器。通过与常用的稀疏性促进正则化技术进行比较,我们的重建方法在所有使用的一维数据集上均表现出更低的均方误差值。
Jan, 2024
本文介绍了一种基于贝叶斯思想的算法框架,通过查询稀疏线性模型后验协方差来解决高阶贝叶斯决策问题,并且利用该算法框架成功地推动了磁共振成像的采样轨迹优化,为实际图像的压缩感知提供了新的启示。
Oct, 2008
本文基于最大后验 (MAP) 估计,提出了一种包含参数先验信息的贝叶斯推断层次结构,同时提供了相关的计算实例和应用案例,探讨了在高维数据下,在变量选择等问题中贝叶斯方法的优势与局限性。
Sep, 2010
提出一种基于贝叶斯方法、将先验分布放置在回归系数以及模型空间上、使用针对高维协变量的针尖和板块高斯先验、通过 Gibbs 抽样执行的变量选择方法,具有可靠的选择一致性和优于其他方法的良好性能。
May, 2014
通过贝叶斯框架,使用稀疏源的混合问题,提出了一种对未观测源具有零原子和高斯分布的加权混合作为前任分布以促进稀疏度的下完备字典学习任务。
Aug, 2009
本文提出了一种用于高维稀疏因子模型的新贝叶斯推理方法,该方法允许推断因子维数和载荷矩阵的稀疏结构;介绍了一种特定的依赖关系,使得后验分布在保持计算可行性的同时自适应聚焦于正确的因子维度和载荷矩阵的稀疏水平;数值研究表明该方法表现优异。
May, 2023
本文提出了一种高维多元回归模型,通过惩罚条件对每个响应变量对其他变量的依赖结构进行建模,以构造稀疏的多元回归系数矩阵估计,同时估计稀疏的逆协方差矩阵。该方法能够同时进行多元回归和协方差矩阵的估计,并在一个假设条件下得到渐近选择一致性与正态性,其有效性在多个模拟实验和对 Glioblastoma multiforme 的应用中得到验证。
Jun, 2013