Bayesian Compressed Regression
贝叶斯压缩回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般高维回归与预测密度，没有宏观预测或金融收益预测的直接背景。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
贝叶斯压缩回归
- 研究问题
- 高维回归中，能否先随机压缩预测变量以降低存储和计算负担，同时保留响应信息并控制预测密度估计误差？
- 方法与思路
- 作者先对预测变量作随机投影，利用压缩数据条件下可解析获得的后验，并以模型平均处理投影矩阵和子空间维度的不确定性。
- 材料陈述的贡献
- 摘要称在变量多、样本少的渐近框架下得到接近参数速率的预测密度收敛结果，并以模拟和真实数据展示方法表现。
- 阅读关注点
- 应核对低维投影保留响应信息的条件、先验与解析后验的适用模型，以及随机投影和模型平均的计算开销。
- 阅读边界
- 摘要未给出收敛条件及计算提速的具体实验设定，不能保证任意高维数据都适合压缩；索引版本未注明，不能推断刊本变化。
原文摘要
As an alternative to variable selection or shrinkage in high-dimensional regression, we propose to randomly compress the predictors prior to analysis. This dramatically reduces storage and computational bottlenecks, performing well when the predictors can be projected to a low-dimensional linear subspace with minimal loss of information about the response. As opposed to existing Bayesian dimensionality reduction approaches, the exact posterior distribution conditional on the compressed data is available analytically, speeding up computation by many orders of magnitude while also bypassing robustness issues due to convergence and mixing problems with MCMC. Model averaging is used to reduce sensitivity to the random projection matrix, while accommodating uncertainty in the subspace dimension. Strong theoretical support is provided for the approach by showing near parametric convergence rates for the predictive density in the large p small n asymptotic paradigm. Practical performance relative to competitors is illustrated in simulations and real data applications.