Learning Collapsed Patterns in Compositional Data: A Bayesian Heterogeneous Relative-Shift Approach
成分数据中的坍缩模式学习：贝叶斯异质相对偏移方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦成分数据回归的贝叶斯聚类与降维方法，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择。
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…
成分数据中的坍缩模式学习：贝叶斯异质相对偏移方法
- 研究问题
- 摘要称，经典相对偏移回归难以应对高维预测变量与跨潜在子群体变化的回归效应，研究问题是如何在成分数据中同时恢复潜在聚类结构并在各聚类内实现降维。
- 方法与思路
- 作者提出贝叶斯异质相对偏移回归模型：对可识别对比施加基于投影的收缩先验以在混合成分内产生精确系数并列，并用有限混合之混合先验推断聚类数；计算上在 NUTS 中嵌入确定性代理坍缩算子构造可扩展混合 MCMC。
- 材料陈述的贡献
- 摘要称其理论上建立了潜在划分与聚类特异效应结构的后验一致性；模拟显示恢复准确、预测表现强；跨国宏观经济数据与空间转录组学应用展示可解释性与实用性。
- 阅读关注点
- 应核对可识别对比与投影收缩先验的具体设定、系数并列如何被识别、有限混合之混合先验的聚类数推断性质、后验一致性所需假设，以及代理坍缩算子嵌入 NUTS 的算法细节与模拟、应用设置。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；摘要未说明识别假设、定理条件、数据规模与具体数值结果，不能据此声称已同行评审或期刊接收，也不能判断方法相对既有方法的优越性。
原文摘要
Relative-shift regression provides a principled framework for modeling compositional covariates by quantifying how the response changes when mass is reallocated from one component to another. Yet many emerging compositional data problems extend beyond this classical setting, involving high-dimensional predictors and regression effects that vary across latent subpopulations. This complexity poses a dual challenge unmet by existing methods: recovering latent cluster structure while simultaneously achieving dimension reduction within each cluster. We propose a Bayesian heterogeneous relative-shift regression model that jointly learns latent clusters and parsimonious effect structures. Methodologically, we combine a projection-based shrinkage prior on identifiable contrasts, which induces exact coefficient ties within mixture components, with a mixture of finite mixtures prior that infers the number of clusters. Computationally, we develop a scalable hybrid MCMC algorithm that embeds a deterministic surrogate collapse operator within NUTS. Theoretically, we establish posterior consistency for both the latent partition and cluster-specific effect structures. Simulations confirm accurate recovery and strong predictive performance, and applications to cross-country macroeconomic data and spatial transcriptomics demonstrate the method's interpretability and practical utility.