Scalable inference for crossed random effects models
交叉随机效应模型的可扩展推断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：摘要讨论通用交叉随机效应模型与采样复杂度，未明确给出面板数据或其他所列领域的应用结构。
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…
交叉随机效应模型的可扩展推断
- 研究问题
- 交叉随机效应模型中，Gibbs采样的计算复杂度能否随参数和数据规模近似线性增长，哪些设计条件决定其表现？
- 方法与思路
- 作者比较普通Gibbs采样与折叠Gibbs采样，在数据设计满足部分平衡条件且精度超参数已知时分析复杂度。
- 材料陈述的贡献
- 摘要称上述条件下普通采样不可扩展而折叠采样可扩展，并报告理论收敛率与数据表现相符及扩展算法的经验优势。
- 阅读关注点
- 应核对可扩展性的复杂度定义、平衡条件和折叠步骤，并区分已知超参数的理论结论与估计超参数的经验结果。
- 阅读边界
- 仅据所给Crossref摘要，不能将可扩展性证明用于任意非平衡设计；未知超参数情形的优势主要是经验陈述。
原文摘要
Summary We develop methodology and complexity theory for Markov chain Monte Carlo algorithms used in inference for crossed random effects models in modern analysis of variance. We consider a plain Gibbs sampler and propose a simple modification, referred to as a collapsed Gibbs sampler. Under some balancedness conditions on the data designs and assuming that precision hyperparameters are known, we demonstrate that the plain Gibbs sampler is not scalable, in the sense that its complexity is worse than proportional to the number of parameters and data, but the collapsed Gibbs sampler is scalable. In simulated and real datasets we show that the explicit convergence rates predicted by our theory closely match the computable, but nonexplicit rates in cases where the design assumptions are violated. We also show empirically that the collapsed Gibbs sampler extended to sample precision hyperparameters significantly outperforms alternative state-of-the-art algorithms.