Parameter Expansion for Data Augmentation
数据增广的参数扩展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：摘要讨论通用贝叶斯计算算法及其理论，没有所列经济计量细分方向的直接证据。
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
数据增广的参数扩展
- 研究问题
- 如何通过扩展参数空间和引入辅助变量加快数据增广的 Gibbs 抽样，并理解扩展参数先验对收敛表现的作用？
- 方法与思路
- 作者严格定义参数扩展数据增广算法，在变换群框架下建立迭代条件抽样理论，并研究收敛率与扩展参数先验。
- 材料陈述的贡献
- 摘要称，采用 Haar 测度先验的算法适定，且在包含重参数化方法的一类算法中最优，并给出相关收敛理论。
- 阅读关注点
- 应核对目标分布如何保持、变换群与先验条件，以及适定性和最优性的定义、比较算法类别及收敛率度量。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；最优性限于摘要所述算法类别，具体定理条件与证明未提供，不能推断刊本变化。
原文摘要
Viewing the observed data of a statistical model as incomplete and augmenting its missing parts are useful for clarifying concepts and central to the invention of two well-known statistical algorithms: expectation-maximization (EM) and data augmentation. Recently, Liu, Rubin, and Wu demonstrated that expanding the parameter space along with augmenting the missing data is useful for accelerating iterative computation in an EM algorithm. The main purpose of this article is to rigorously define a parameter expanded data augmentation (PX-DA) algorithm and to study its theoretical properties. The PX-DA is a special way of using auxiliary variables to accelerate Gibbs sampling algorithms and is closely related to reparameterization techniques. We obtain theoretical results concerning the convergence rate of the PX-DA algorithm and the choice of prior for the expansion parameter. To understand the role of the expansion parameter, we establish a new theory for iterative conditional sampling under the transformation group formulation, which generalizes the standard Gibbs sampler. Using the new theory, we show that the PX-DA algorithm with a Haar measure prior (often improper) for the expansion parameter is always proper and is optimal among a class of such algorithms including reparameterization.