Decoupling Shrinkage and Selection in Bayesian Linear Models: A Posterior Summary Perspective
贝叶斯线性模型中收缩与选择的解耦：后验摘要视角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：摘要属于通用贝叶斯线性模型与变量选择，缺乏所列细分领域的直接证据。
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
贝叶斯线性模型中收缩与选择的解耦：后验摘要视角
- 研究问题
- 贝叶斯线性模型已经形成回归系数的完整后验分布后，如何把这些信息整理为稀疏预测器，便于进行变量子集选择？
- 方法与思路
- 作者回顾贝叶斯模型选择与收缩先验文献，并提出后验变量选择摘要，将完整系数后验提炼为一系列稀疏线性预测器。
- 材料陈述的贡献
- 摘要明确贡献是从后验摘要角度提供变量选择方案，把完整后验信息转为稀疏预测器序列；未陈述具体理论或性能优势。
- 阅读关注点
- 阅读时应核对后验摘要采用的损失函数、稀疏程度如何控制，以及预测器序列与原后验分布之间的关系和变量选择解释。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要非常简短，未说明优化形式、算法、理论条件或验证结果，不能据题名补造这些内容或刊本变化。
原文摘要
Selecting a subset of variables for linear models remains an active area of research. This article reviews many of the recent contributions to the Bayesian model selection and shrinkage prior literature. A posterior variable selection summary is proposed, which distills a full posterior distribution over regression coefficients into a sequence of sparse linear predictors.