Scalar-on-image regression via the soft-thresholded Gaussian process
基于软阈值高斯过程的标量对图像回归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：摘要研究通用空间变量选择与图像回归，脑电应用不足以支持所列经济或金融方向分类。
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…
基于软阈值高斯过程的标量对图像回归
- 研究问题
- 在图像作为高维预测变量、响应为标量的回归中，如何识别相关空间区域，同时允许系数函数稀疏、连续且分片光滑？
- 方法与思路
- 作者构造软阈值高斯过程的贝叶斯非参数模型与后验计算算法，通过模拟比较方法，并应用于酒精依赖相关脑电研究。
- 材料陈述的贡献
- 摘要称，该先验覆盖较大的目标函数类，且在一定正则条件下，即使预测变量多于样本，也具有参数估计与变量选择的后验一致性。
- 阅读关注点
- 应核对软阈值构造、空间稀疏性的定义、先验支持与一致性条件，以及计算算法和模拟比较采用的评价指标。
- 阅读边界
- 仅据版本未注明的索引摘要，所谓温和条件的具体内容、计算成本与比较结果未说明，不能推断任意高维图像场景下的一致性。
原文摘要
This work concerns spatial variable selection for scalar-on-image regression. We propose a new class of Bayesian nonparametric models and develop an efficient posterior computational aigorithm. The proposed soft-thresholded Gaussian process provides large prior support over the class of piecewise-smooth, sparse, and continuous spatially-varying regression coefficient functions. In addition, under some mild regularity conditions the soft-thresholded Gaussian proess prior leads to the posterior consistency for parameter estimation and variable selection for scalar-on-image regression, even when the number of predictors is larger than the sample size. The proposed method is compared to alternatives via simulation and applied to an electroen-cephalography study of alcoholism.