Bayesian Latent Class Regression with Interpretable Binary Profiles
可解释二元剖面的贝叶斯潜在类别回归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。
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：摘要聚焦高维分类数据的潜在类别回归与贝叶斯方法，属于统计建模与计算方法，未直接涉及所列因果推断、面板、离散选择、时间序列、资产定价等细分方向，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…
关注这篇论文的作者
可解释二元剖面的贝叶斯潜在类别回归
- 研究问题
- 摘要称，高维分类数据常伴随协变量，潜在类别回归通过假定给定单一潜在类别时分类变量条件独立来降维，但随维度增加会变得不可靠；本文关注如何在此类高维设定下构建更稳健的建模框架。
- 方法与思路
- 作者提出 BLIP，在依赖协变量的潜在类别与观测分类响应之间引入一个二元潜在属性层，形成一类灵活模型；摘要称采用贝叶斯方法并开发了高效后验计算方法，通过模拟研究验证，并用于生态数据中推断共同剖面区域。
- 材料陈述的贡献
- 摘要明确陈述的贡献包括：提出 BLIP 模型族；满足可识别性与后验相合性等理论性质；建立贝叶斯 oracle 聚类性质以应对维数灾难；给出后验计算实现、模拟验证及生态数据应用。
- 阅读关注点
- 阅读全文时应核对：可识别性与后验相合性的具体假设与证明条件；oracle 聚类性质的确切含义与适用范围；后验计算算法的收敛与计算成本；模拟设计能否支撑所声称的稳健性；生态数据中共同剖面推断的识别依据。
- 阅读边界
- 仅凭摘要无法判断模型在真实高维数据上的表现、理论条件是否普遍成立、计算方法的实际可扩展性，以及生态应用结论的稳健性；摘要未说明具体数据规模、对比基准与数值结果。该文为 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
High-dimensional categorical data arise in diverse scientific domains and are often accompanied by covariates. Latent class regression models are routinely used in such settings, reducing dimensionality by assuming conditional independence of the categorical variables given a single latent class that depends on covariates through a logistic regression model. However, such methods become unreliable as the dimensionality increases. To address this, we propose Bayesian latent class regression with interpretable binary profiles (BLIP), a flexible family of models that introduces a binary latent-attribute layer between the covariate-dependent latent class and the observed categorical responses. BLIP satisfies key theoretical properties, including identifiability and posterior consistency, and we establish a Bayes oracle clustering property that ensures robustness against the curse of dimensionality. We develop efficient posterior computation methods, validate them through simulation studies, and use BLIP to infer regions of common profile in ecological data.