CoMET: A Compressed Bayesian Mixed-Effects Model for High-Dimensional Tensors
CoMET：面向高维张量的压缩贝叶斯混合效应模型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：摘要聚焦张量型混合效应模型的贝叶斯估计与高维理论，属于统计方法与计算方向，与所列微观、宏观、金融各领域细分均无直接文本对应，故不选择。
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…
CoMET：面向高维张量的压缩贝叶斯混合效应模型
- 研究问题
- 摘要称，现有高维混合效应方法多针对向量型协变量的惩罚估计，缺乏能同时处理张量型固定效应与随机效应协变量、且计算可行的基于抽样的贝叶斯框架，本文即针对标量响应、张量协变量的高维重复测量数据提出建模方案。
- 方法与思路
- 作者提出 CoMET 模型：对随机效应协方差做按模态的结构化随机投影，得到低维协方差参数并配简单高斯先验，从而高效插补压缩随机效应；均值结构采用低秩张量分解与边缘结构 Horseshoe 先验实现固定效应选择，并给出坍缩 Gibbs 抽样器，计算复杂度随张量维度近似线性增长。
- 材料陈述的贡献
- 摘要称贡献有三：一是提出支持张量型固定与随机效应协变量的压缩贝叶斯混合效应框架；二是设计出计算复杂度近似线性于张量维度的坍缩 Gibbs 抽样器；三是在正则条件下建立后验预测风险趋于零的高维理论保证，并在模拟与面部表情预测、音乐情绪建模两个基准应用中报告优于惩罚类竞争方法。
- 阅读关注点
- 应核对随机投影的具体构造与压缩维数选择、Horseshoe 先验的边缘结构设定、坍缩 Gibbs 抽样器的收敛与混合表现、理论保证所需正则条件的确切形式，以及模拟与两个基准应用的数据规模、评价指标和比较基线是否公平。
- 阅读边界
- 仅依据摘要，无法判断理论条件是否现实、复杂度结论的常数项、模拟与基准应用的具体数值优势幅度，也未说明随机效应分布假设与模型误设下的稳健性；摘要未说明代码与数据是否公开。
原文摘要
Mixed-effects models are fundamental tools for analyzing clustered and repeated-measures data, but existing high-dimensional methods largely focus on penalized estimation with vector-valued covariates. Bayesian alternatives in this regime are limited, with no sampling-based mixed-effects framework that supports tensor-valued fixed- and random-effects covariates while remaining computationally tractable. We propose the Compressed Mixed-Effects Tensor (CoMET) model for high-dimensional repeated-measures data with scalar responses and tensor-valued covariates. CoMET performs structured, mode-wise random projection of the random-effects covariance, yielding a low-dimensional covariance parameter that admits simple Gaussian prior specification and enables efficient imputation of compressed random-effects. For the mean structure, CoMET leverages a low-rank tensor decomposition and margin-structured Horseshoe priors to enable fixed-effects selection. These design choices lead to an efficient collapsed Gibbs sampler whose computational complexity grows approximately linearly with the tensor covariate dimensions. We establish high-dimensional theoretical guarantees by identifying regularity conditions under which CoMET's posterior predictive risk decays to zero. Empirically, CoMET outperforms penalized competitors across a range of simulation studies and two benchmark applications involving facial-expression prediction and music emotion modeling.