Mixing times of data-augmentation Gibbs samplers for high-dimensional probit regression
高维概率单位回归中数据增强 Gibbs 抽样的混合时间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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主题为贝叶斯概率单位回归的 MCMC 混合时间理论，属于计算统计与高维贝叶斯方法，未直接对应所提供的微观计量或宏观、金融领域细分，故留空。
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
高维概率单位回归中数据增强 Gibbs 抽样的混合时间
- 研究问题
- 研究贝叶斯概率单位回归中常用数据增强抽样器的收敛性质，特别是当样本量 n 与参数维数 p 都很大时，混合时间如何随设计矩阵、先验精度和响应向量变化。
- 方法与思路
- 作者利用近期关于对数凹目标 Gibbs 抽样器的结果，推导混合时间（以 KL 散度度量）的显式非渐近上界，界中显式依赖设计矩阵与先验精度，并对响应向量一致成立；随后按不同统计情形（n、p 同时增大）特化结果，并用基于耦合技巧的经验分析检验界是否预测实际观察到的行为。
- 材料陈述的贡献
- 摘要称给出了简单显式的非渐近混合时间界，识别出混合时间在 n,p→∞ 时保持有界与无界的情形，证明结果在最坏响应情形下是紧的，并为可证明导致快速混合的先验分布选择提供指导。
- 阅读关注点
- 应核对：混合时间界的具体形式与所依赖的对数凹 Gibbs 结果条件；n、p 同时增大时各情形划分的精确假设；紧性结论的适用范围（是否仅最坏响应）；先验选择建议的可操作性与前提；经验分析中耦合技巧与理论界的对应关系。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；这是预印本，不能据此声称已经同行评审或期刊接收。摘要未说明具体定理编号、常数、模拟设置与数值结果，也未给出与替代抽样器的比较。
原文摘要
We investigate the convergence properties of popular data-augmentation samplers for Baye\-sian probit regression. Leveraging recent results on Gibbs samplers for log-concave targets, we provide simple and explicit non-asymptotic bounds on the associated mixing times (in Kullback-Leibler divergence). The bounds depend explicitly on the design matrix and the prior precision, while they hold uniformly over the vector of responses. We specialize the results for different regimes of statistical interest, when both the number of data points $n$ and parameters $p$ are large: in particular we identify scenarios where the mixing times remain bounded as $n,p\to\infty$, and ones where they do not. The results are shown to be tight (in the worst case with respect to the responses) and provide guidance on choices of prior distributions that provably lead to fast mixing. An empirical analysis based on coupling techniques suggests that the bounds are effective in predicting practically observed behaviours.