Bayesian Variable Selection in Clustering High-Dimensional Data
高维数据聚类中的贝叶斯变量选择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：摘要讨论通用高维聚类与变量选择，没有直接对应所列微观、宏观或金融细分方向的文本。
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…
高维数据聚类中的贝叶斯变量选择
- 研究问题
- 在变量数量远大于样本量的数据中，如何同时发现观测的群组结构、确定群组数量，并筛选能够区分群组的变量？
- 方法与思路
- 作者采用组分数未知的多元正态混合模型，用可逆跳跃 MCMC 探索维度，并结合变量纳入指示、随机搜索和共轭积分。
- 材料陈述的贡献
- 摘要提出联合聚类与变量筛选的贝叶斯方法，描述后验推断策略，并通过模拟和真实数据考察方法表现，但未报告具体结果。
- 阅读关注点
- 应核对混合模型与先验设定、变量筛选机制、跨维度采样的实现，以及标签处理、收敛诊断和模拟比较所采用的指标。
- 阅读边界
- 摘要未说明具体数据、计算成本或比较结果，无法判断聚类和筛选的可靠性；所给索引摘要未注明稿件版本。
原文摘要
Over the last decade, technological advances have generated an explosion of data with substantially smaller sample size relative to the number of covariates (p ≫ n). A common goal in the analysis of such data involves uncovering the group structure of the observations and identifying the discriminating variables. In this article we propose a methodology for addressing these problems simultaneously. Given a set of variables, we formulate the clustering problem in terms of a multivariate normal mixture model with an unknown number of components and use the reversible-jump Markov chain Monte Carlo technique to define a sampler that moves between different dimensional spaces. We handle the problem of selecting a few predictors among the prohibitively vast number of variable subsets by introducing a binary exclusion/inclusion latent vector, which gets updated via stochastic search techniques. We specify conjugate priors and exploit the conjugacy by integrating out some of the parameters. We describe strategies for posterior inference and explore the performance of the methodology with simulated and real datasets.