Bayesian linear regression with sparse priors
采用稀疏先验的贝叶斯线性回归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：摘要研究通用高维回归与贝叶斯理论，未给出宏观预测、收益预测或其他所列应用方向的直接依据。
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…
采用稀疏先验的贝叶斯线性回归
- 研究问题
- 在高维稀疏线性回归中，完整贝叶斯程序能否同时恢复系数、预测响应、选择变量并量化估计不确定性？
- 方法与思路
- 作者使用零点质量与连续分布混合的稀疏先验，在设计矩阵满足相容性条件时分析后验收缩及其渐近形状。
- 材料陈述的贡献
- 摘要称实现最优系数恢复与预测，能选择正确稀疏模型或显著非零系数，并据后验形状构造和研究可信集。
- 阅读关注点
- 应分别核对收缩、预测、模型选择和可信集结论的条件，尤其注意信号强度要求及可信集的覆盖性质。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；相容性和其他条件未具体列出，不能认定任意稀疏设计均有有效覆盖或精确选择。
原文摘要
We study full Bayesian procedures for high-dimensional linear regression under sparsity constraints. The prior is a mixture of point masses at zero and continuous distributions. Under compatibility conditions on the design matrix, the posterior distribution is shown to contract at the optimal rate for recovery of the unknown sparse vector, and to give optimal prediction of the response vector. It is also shown to select the correct sparse model, or at least the coefficients that are significantly different from zero. The asymptotic shape of the posterior distribution is characterized and employed to the construction and study of credible sets for uncertainty quantification.