Projected Bayesian Spatial Factor Models
投影贝叶斯空间因子模型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：摘要研究通用空间因子方法并应用于转录组，未提供宏观或金融因子建模的直接证据。
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
投影贝叶斯空间因子模型
- 研究问题
- 贝叶斯空间因子分析如何兼顾可识别性、后验采样稳定性与大规模空间数据的计算可扩展性？
- 方法与思路
- 作者提出投影 MCMC，利用条件共轭与投影将因子采样约束到缩放 Stiefel 流形，并结合可扩展单变量空间模型。
- 材料陈述的贡献
- 摘要称，投影采样算法的收敛不依赖初始化，模拟显示效率和稳健性提升，肾脏空间转录组应用展示解释价值。
- 阅读关注点
- 应核对投影后目标后验的定义、流形约束如何解决识别问题，以及收敛定理、计算规模与比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出收敛条件和速度，不能将收敛保证等同于快速混合。
原文摘要
Factor models balance flexibility, identifiability, and computational efficiency, with Bayesian spatial factor models particularly prone to identifiability challenges and scaling limitations. This work introduces Projected Bayesian Spatial Factor (PBSF) models, a new class of models designed to achieve scalability and robust identifiability for spatial factor analysis. PBSF models are defined through a novel Markov chain Monte Carlo construction, Projected MCMC (ProjMC$^2$), which leverages conditional conjugacy and projection to improve posterior stability and mixing by constraining factor sampling to a scaled Stiefel manifold. Theoretical results establish convergence of ProjMC$^2$ irrespective of initialisation. By integrating scalable univariate spatial modelling, PBSF provides a flexible and interpretable framework for low-dimensional spatial representation learning of massive spatial data. Simulation studies demonstrate substantial efficiency and robustness gains, and an application to human kidney spatial transcriptomics data highlights the practical utility of the proposed methodology for improving interpretability in spatial omics.