高维半参数回归的似然比框架
LR-GLM method based on low-rank approximation with Bayesian inference is proposed to improve efficiency of generalized linear models with large number of covariates, and the experiment results validate the effectiveness of LR-GLM on large-scale datasets.
May, 2019
该论文提出了一个几何统计分析框架,适用于泛化的不适定线性反问题模型,包括噪声压缩感知、符号向量恢复、迹回归、正交矩阵估计和噪声矩阵完成等特殊情况,提出了可行的计算凸规划方法,用于统计推断,包括估计、置信区间和假设检验。该论文建立了一个理论框架,以表征局部估计收敛速度,并提供统计推断保证,其结果基于局部锥几何和对偶性,并通过高斯宽度和 Sudakov 最小化估计量表征局部切锥的几何。
Apr, 2014
本研究提出一种较为准确地进行关系建模和预测的方法,该方法使用了具有判别性的非参数潜在特征关系模型 (LFRM),该模型使用概率推理,并将预测损失与贝叶斯模型的概率推理结合使用,并使用不同的规则参数来处理真实网络中不同类型链接的不平衡问题,同时对光滑的逻辑对数损失和分段线性铰链损失进行统一分析。
Dec, 2015
本文提出了一种针对高维数据中低维度参数的统计推断方法,重点在于构建线性回归模型中单个系数和多个系数的线性组合的置信区间,提出的估计器在趋于无穷时渐近正态,其有限维协方差矩阵的一致估计器满足充分条件,模拟结果证明了置信区间的覆盖概率准确性,强烈支持理论结果。
Oct, 2011
本文提出了一种基于新的拟然似然方法的图形模型选择方法,旨在克服当前方法的一些不足之处,并同时保留它们各自的优点。我们引入了一个新的框架,它导致了一个部分协方差回归图的凸形式。通过采用坐标 - wise 方法来优化这个目标,进而实现目标函数的优化。
Jul, 2013
这篇论文提供了一个统一的框架,以建立在高维缩放下的正则化 M - 估计量的一致性和收敛速度,指出限制强凸性和可分解性是确保对应的正则化 M- 估计有快速收敛速度的两个关键特性,这些特性在许多经典案例中也是最优的
Oct, 2010
研究中提出了一种可扩展的变分贝叶斯方法,用于对稀疏线性回归中高维参数的一个单一或低维子集进行统计推断,通过对干扰坐标进行均场近似和谨慎地对目标的条件分布建模,只需要预处理步骤,保留了均场变分贝叶斯的计算优势,同时确保了对目标参数以及不确定性量化的准确可靠推断,该算法在数值性能方面与现有方法相媲美,并且在估计和不确定性量化方面建立了伯恩斯坦 - 冯・米塞斯定理的相关理论保证。
Jun, 2024