具有缩小和扩散先验的贝叶斯变量选择
介绍了一种新的变量选择方法 —— 重新缩放的 spike and slab 模型,并研究了其在先验分层规范方面的重要性,以及一些选模型策略,证明了其有效性。通过使用这种方法,我们展示了政策的有效性在减少模型不确定性方面。
May, 2005
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
本文研究高维贝叶斯线性回归的计算复杂度,介绍了一种截尾稀疏先验变量选择方法,通过 Metropolis-Hastings 算法,保证了变量选择的一致性和快速混合。
May, 2015
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
研究动态变量选择在时间序列回归中的应用,提出了构造时间系数的新型动态收缩先验 (Dynamic Spike-and-Slab),并提出了动态 SSVS 和 Dynamic EMVS 算法,旨在解决数据集规模大的问题。
Jul, 2017
本文介绍了在贝叶斯随机搜索变量选择框架下,如何通过引入岭参数的灵活简单适配 g-prior 的方法,选择变量及超参数,并与贝叶斯 Lasso 进行了比较。
Feb, 2011
本文提出了一种基于贝叶斯方法的变量选择算法,考虑了预测变量之间的关联,并针对各种线性模型开发了不同的先验分布,其中包括任意交互项和多项式、分类因子的虚拟变量等,这种方法在 George 和 McCulloch Stochastic Search Variable Selection 算法中得到了应用,能够提高模型的性能。
Oct, 1995