A majorization–minimization approach to variable selection using spike and slab priors
基于尖峰与厚尾先验的变量选择：上界化—最小化方法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：摘要研究一般贝叶斯回归变量选择与优化，未明确对应因果、结构估计或金融因子等方向。
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
基于尖峰与厚尾先验的变量选择：上界化—最小化方法
- 研究问题
- 在系数服从高斯型尖峰与厚尾先验的贝叶斯回归中，如何计算最大后验估计，并研究变量选择的一致性？
- 方法与思路
- 作者用上界化—最小化技术近似含零范数的正则化目标，结合坐标下降与软阈值搜索近似目标的优化解。
- 材料陈述的贡献
- 摘要称，方法具有若干一致性结果，符号一致性可在不可表示条件失效时成立，并提供广义线性模型扩展。
- 阅读关注点
- 应核对近似目标与原后验目标的关系、算法收敛性质，以及各项一致性的正则条件和模拟比较设置。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未列出正则条件和模拟数值，不能认定普遍优于基准或保证全局优化。
原文摘要
We develop a method to carry out MAP estimation for a class of Bayesian regression models in which coefficients are assigned with Gaussian-based spike and slab priors. The objective function in the corresponding optimization problem has a Lagrangian form in that regression coefficients are regularized by a mixture of squared l2 and l0 norms. A tight approximation to the l0 norm using majorization–minimization techniques is derived, and a coordinate descent algorithm in conjunction with a soft-thresholding scheme is used in searching for the optimizer of the approximate objective. Simulation studies show that the proposed method can lead to more accurate variable selection than other benchmark methods. Theoretical results show that under regular conditions, sign consistency can be established, even when the Irrepresentable Condition is violated. Results on posterior model consistency and estimation consistency, and an extension to parameter estimation in the generalized linear models are provided.