Bayesian sparse multiple regression for simultaneous rank reduction and variable selection
同时实现降秩与变量选择的贝叶斯稀疏多响应回归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：摘要研究通用高维多响应回归，低秩结构本身不足以归入宏观或金融因子模型。
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…
同时实现降秩与变量选择的贝叶斯稀疏多响应回归
- 研究问题
- 在高维多响应线性回归中，如何同时利用系数矩阵的低秩与行稀疏结构，并实现变量选择和秩估计？
- 方法与思路
- 作者设计系数矩阵收缩先验，无需另设秩先验；再用行组套索惩罚进行一步后处理，并通过优化函数估计秩。
- 材料陈述的贡献
- 摘要称后验均值在超高维预测风险下达到极小极大最优性，同时提供变量选择、秩估计及模拟与真实数据示例。
- 阅读关注点
- 应核对极小极大结论所需的设计与维度增长条件、两种结构如何共同约束参数，以及后处理与秩估计的理论保证。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明完整假设、风险界和数值结果，不能据此判断所有高维情形下的表现。
原文摘要
Summary We develop a Bayesian methodology aimed at simultaneously estimating low-rank and row-sparse matrices in a high-dimensional multiple-response linear regression model. We consider a carefully devised shrinkage prior on the matrix of regression coefficients which obviates the need to specify a prior on the rank, and shrinks the regression matrix towards low-rank and row-sparse structures. We provide theoretical support to the proposed methodology by proving minimax optimality of the posterior mean under the prediction risk in ultra-high-dimensional settings where the number of predictors can grow subexponentially relative to the sample size. A one-step post-processing scheme induced by group lasso penalties on the rows of the estimated coefficient matrix is proposed for variable selection, with default choices of tuning parameters. We additionally provide an estimate of the rank using a novel optimization function achieving dimension reduction in the covariate space. We exhibit the performance of the proposed methodology in an extensive simulation study and a real data example.