Bayesian Inference for Single-factor Graphical Models
单因子图模型的贝叶斯推断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。
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：摘要是通用单因子图模型，未明确宏观或金融用途，不能仅凭因子一词选择领域细分。
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
单因子图模型的贝叶斯推断
- 研究问题
- 如何在单因子模型中同时表达共同潜在因素与残差条件依赖，并将模型用于包含分类变量或时空关联的多个数据集？
- 方法与思路
- 作者用高斯图模型描述相关残差，设计贝叶斯推断的 MCMC 算法，并扩展到二元、序数变量及空间或时间关联的数据集。
- 材料陈述的贡献
- 摘要称，该模型可由潜在因子捕捉跨时空的多变量关联，同时刻画各位置或时点的残差条件依赖，并以模拟和真实例子展示应用。
- 阅读关注点
- 应核对因子与残差图结构的可区分性、先验与图结构学习方式、分类变量的建模细节，以及 MCMC 效率的评价依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出识别约束、先验或算法性能数值，也未说明宏观或金融应用背景。
原文摘要
We introduce efficient MCMC algorithms for Bayesian inference for single-factor models with correlated residuals where the residuals' distribution is a Gaussian graphical model. We call this family of models single-factor graphical models. We extend single-factor graphical models to datasets that also involve binary and ordinal categorical variables and to the modeling of multiple datasets that are spatially or temporally related. Our models are able to capture multivariate associations through latent factors across time and space, as well as residual conditional dependence structures at each spatial location or time point through Gaussian graphical models. We illustrate the application of single-factor graphical models in simulated and real-world examples.