Bayesian computation for high-dimensional Gaussian Graphical Models with spike-and-slab priors
高维高斯图模型的 spike-and-slab 贝叶斯计算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：摘要讨论的是高斯图模型的贝叶斯计算方法与理论性质，未涉及所给领域细分中的因果推断、面板、时间序列、资产定价等具体应用方向，故不选择任何细分领域。
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…
高维高斯图模型的 spike-and-slab 贝叶斯计算
- 研究问题
- 摘要关注的是：当变量个数很大时，如何对带 spike-and-slab 先验的高斯图模型进行完全贝叶斯推断，从而在结构学习与参数估计中量化不确定性，而不是退回到伪贝叶斯方法。
- 方法与思路
- 作者提出两类完全贝叶斯采样算法：一是 Metropolis-Hastings-within-Block-Gibbs，按行对精度矩阵做局部更新；二是允许在一行内同时增删多条边的全局提议，以探索多峰后验。摘要称在数据生成精度矩阵稀疏时，算法可扩展到高维，并给出相对理想 Gibbs 采样器的混合界与逐次迭代代价的多项式上界。
- 材料陈述的贡献
- 摘要称方法在稀疏精度矩阵设定下可证明地扩展到高维，成本与最佳伪贝叶斯方法相近；并称示例把精确贝叶斯推断的适用范围从约 100 个变量扩展到约 1000 个变量（约从 5000 条边到 500000 条边）。
- 阅读关注点
- 阅读全文时应核对：稀疏性等具体假设、混合界与几何遍历性结论的精确条件、理想 Gibbs 采样器的定义、逐次迭代代价上界的阶数，以及示例中变量数与边数的设定和比较基准是否支持摘要中的扩展性说法。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明细节、模拟与实证设计、与其他方法比较的公平性，也无法确认实际计算成本与数值表现。该来源为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Gaussian graphical models are widely used to infer dependence structures. Bayesian methods are appealing to quantify uncertainty associated with structural learning, i.e., the plausibility of conditional independence statements given the data, and parameter estimates. However, computational demands have limited their application when the number of variables is large, which prompted the use of pseudo-Bayesian approaches. We propose fully Bayesian algorithms that provably scale to high dimensions when the data-generating precision matrix is sparse, at a similar cost to the best pseudo-Bayesian methods. First, a Metropolis-Hastings-within-Block-Gibbs algorithm that allows row-wise updates of the precision matrix, using local moves. Second, a global proposal that enables adding or removing multiple edges within a row, which can help explore multi-modal posteriors. We obtain mixing bounds for both samplers relative to an ideal Gibbs sampler that are dimension-free under suitable settings, and prove that this ideal Gibbs sampler is geometrically ergodic. We also provide worst-case polynomial bounds on per-iteration costs, though in practice the cost is lower by using sparse linear algebra. Our examples show that the methods extend the applicability of exact Bayesian inference from roughly 100 to roughly 1000 variables (equivalently, from 5,000 edges to 500,000 edges).