May, 2014

具有缩小和扩散先验的贝叶斯变量选择

PDF
TL;DR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。
发现论文，激发创造
  • 尖峰和板块变量选择：频率学派和贝叶斯策略

    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

  • 一种用于构建稀疏先验的分层贝叶斯框架

    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

  • 高维贝叶斯变量选择的计算复杂度

    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

  • 高维稀疏先验线性回归的变分贝叶斯

    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

  • 带有尖峰平板过程先验的动态变量选择

    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

  • 带稀疏先验的贝叶斯线性回归

    研究高维线性回归的完全贝叶斯程序，旨在寻找未知的稀疏矢量，选择正确的稀疏模型或显著不同于零的系数，并构建和研究置信集以量化不确定性。

    Mar, 2014

  • 贝叶斯压缩回归

    本文提出一种基于随机压缩预测变量的高维回归方法，并使用模型平均来减少方法对于随机投影矩阵的敏感度，可用于实际数据应用。

    Mar, 2013

  • 使用 Ridge 参数的 g-prior 分布变量选择研究

    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

  • 高维模型中的贝叶斯推断

    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

  • 具相关预测变量的贝叶斯变量选择

    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