Bayesian Bridge Gaussian Process Regression
贝叶斯桥高斯过程回归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。
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：摘要讨论的是高斯过程回归的贝叶斯变量选择与后验抽样算法，属于机器学习与贝叶斯计算方法，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择任何细分领域。
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
贝叶斯桥高斯过程回归
- 研究问题
- 摘要称，高斯过程回归在高维问题中受维数灾难影响，计算成本上升且预测能力下降，因此需要变量选择来构建高效准确的模型；研究问题是如何在高斯过程回归中自动实现稀疏化并识别活跃变量。
- 方法与思路
- 作者受贝叶斯桥回归启发，对高斯过程关键参数施加 $\ell_q$ 范数约束以诱导稀疏性。摘要称构造了两个版本：$q=2$ 时使用共轭高斯先验，$0<q<2$ 时使用受约束的平坦先验，得到非标准的范数约束后验；并设计结合球面哈密顿蒙特卡洛的 Gibbs 抽样算法进行后验推断。
- 材料陈述的贡献
- 摘要称提出贝叶斯桥高斯过程回归（B²GPR）框架，可自动诱导稀疏并识别活跃变量；给出两种先验设定及相应后验形式，并提出可处理约束后验的抽样算法。摘要称模拟与一个真实数据应用显示其在变量选择与预测上优于替代方法。
- 阅读关注点
- 阅读全文时应核对：$\ell_q$ 约束具体施加在哪些高斯过程参数上；两种先验下后验是否可积、抽样算法是否收敛；SphHMC 与 Gibbs 的结合细节及计算成本；模拟设计是否覆盖不同维度和稀疏程度；真实数据的来源与评价指标；与哪些替代方法比较、比较是否公平。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论保证、抽样收敛性与计算效率，也无法核实模拟和真实数据中的具体数值结果及“优于替代方法”的结论。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收或结论已获认可。
原文摘要
The performance of Gaussian Process (GP) regression is often hampered by the curse of dimensionality, which inflates computational cost and reduces predictive power in high-dimensional problems. Variable selection is thus crucial for building efficient and accurate GP models. Inspired by Bayesian bridge regression, we propose the Bayesian Bridge Gaussian Process Regression (B\textsuperscript{2}GPR) model. This framework places $\ell_q$-norm constraints on key GP parameters to automatically induce sparsity and identify active variables. We formulate two distinct versions: one for $q=2$ using conjugate Gaussian priors, and another for $0<q<2$ that employs constrained flat priors, leading to non-standard, norm-constrained posterior distributions. To enable posterior inference, we design a Gibbs sampling algorithm that integrates Spherical Hamiltonian Monte Carlo (SphHMC) to efficiently sample from the constrained posteriors when $0<q<2$. Simulations and a real-data application confirm that B\textsuperscript{2}GPR offers superior variable selection and prediction compared to alternative approaches.