Scalable Importance Tempering and Bayesian Variable Selection
可扩展的重要性调温与贝叶斯变量选择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：摘要涉及一般高维采样与贝叶斯变量选择，没有明确限定为收益预测、结构估计或其他所列细分方向。
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
可扩展的重要性调温与贝叶斯变量选择
- 研究问题
- 如何高效抽样高维概率分布，并在含大量回归变量的贝叶斯变量选择问题中改善采样效率与推断计算？
- 方法与思路
- 作者提出结合马尔可夫链蒙特卡洛与重要性抽样的算法，分析高维稳健性，并与标准采样方案开展理论和应用比较。
- 材料陈述的贡献
- 摘要称提供高维稳健性保证与效率比较，并报告在贝叶斯变量选择中获得数量级效率改善、处理数万回归变量。
- 阅读关注点
- 应核对算法的权重与调温机制、稳健性保证的条件、效率评价和计算成本口径，以及变量选择比较所用设置。
- 阅读边界
- 仅据所给Crossref摘要，无法核验效率提升的数值与适用范围；不能将变量选择中的表现推广到所有高维分布。
原文摘要
Summary We propose a Monte Carlo algorithm to sample from high dimensional probability distributions that combines Markov chain Monte Carlo and importance sampling. We provide a careful theoretical analysis, including guarantees on robustness to high dimensionality, explicit comparison with standard Markov chain Monte Carlo methods and illustrations of the potential improvements in efficiency. Simple and concrete intuition is provided for when the novel scheme is expected to outperform standard schemes. When applied to Bayesian variable-selection problems, the novel algorithm is orders of magnitude more efficient than available alternative sampling schemes and enables fast and reliable fully Bayesian inferences with tens of thousand regressors.