Approximating posteriors with high-dimensional nuisance parameters via integrated rotated Gaussian approximation
通过积分旋转高斯近似处理高维干扰参数的后验近似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：摘要研究一般回归中的后验计算与干扰参数消除，未明确涉及因果效应、时间序列或金融对象，所给细分证据不足。
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
通过积分旋转高斯近似处理高维干扰参数的后验近似
- 研究问题
- 当回归模型含高维或难计算的干扰参数时，如何高效近似低至中等维目标参数的后验，并分析近似误差的适用范围？
- 方法与思路
- 作者通过旋转将似然分成两部分，使其中一部分只涉及干扰参数，再利用新的高斯近似对干扰参数积分，以近似目标后验。
- 材料陈述的贡献
- 摘要称对较广类别的干扰成分和先验提供近似精度理论，并在模拟与真实数据中展示其可优于所比较的先进后验近似方法。
- 阅读关注点
- 应核对旋转与似然分解的模型条件、积分所用高斯近似的对象、精度界的度量，以及不同先验和干扰维度下的适用性。
- 阅读边界
- 仅据所给 Crossref 摘要；误差界、模型限制与比较设置未说明，不能推广为所有高维后验均可准确近似，也不能推断其他版本变化。
原文摘要
Summary Posterior computation for high-dimensional data with many parameters can be challenging. This article focuses on a new method for approximating posterior distributions of a low- to moderate-dimensional parameter in the presence of a high-dimensional or otherwise computationally challenging nuisance parameter. The focus is on regression models and the key idea is to separate the likelihood into two components through a rotation. One component involves only the nuisance parameters, which can then be integrated out using a novel type of Gaussian approximation. We provide theory on approximation accuracy that holds for a broad class of forms of the nuisance component and priors. Applying our method to simulated and real datasets shows that it can outperform state-of-the-art posterior approximation approaches.