Scalable Gaussian Process Regression Via Median Posterior Inference for Estimating Multi-Pollutant Mixture Health Effects
基于中位数后验推断的可扩展高斯过程回归：估计多污染物混合健康效应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：摘要聚焦环境污染物混合暴露的贝叶斯半参数建模与分布式计算方法，属于环境统计与计算统计方向，未涉及所提供列表中的因果推断、面板、时间序列、金融等细分领域，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…
基于中位数后验推断的可扩展高斯过程回归：估计多污染物混合健康效应
- 研究问题
- 摘要称，研究如何在污染物高度相关、暴露—反应关系非线性的条件下，量化多种环境污染物混合暴露对健康的影响，并使原本适用于中小规模队列的贝叶斯半参数高斯过程框架能扩展到大规模数据。
- 方法与思路
- 作者提出分而治之策略：将数据划分，并行计算各子样本后验分布，再用广义中位数合并结果；摘要称该分布式计算思路也可用于其他全样本MCMC拟合计算量过大的贝叶斯模型，并给出所提后验分布收敛到全样本后验的理论保证。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出可扩展的分布式后验合并方法并给出收敛性理论保证；将其应用于2001—2012年马萨诸塞州约65万例出生体重数据，估计环境空气污染物混合暴露的关联，报告出生体重与交通污染标志物（元素碳、有机碳、PM2.5）负相关，与臭氧和植被绿度正相关。
- 阅读关注点
- 阅读全文时应核对：数据划分方式与子样本规模、广义中位数的具体定义与合并算法、收敛性定理的假设条件与证明、并行计算的实际加速效果，以及混杂调整、暴露测量误差和关联结果是否可作因果解读。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理条件、数值表现与因果解释是否成立；摘要未说明子样本数量、划分敏感性、计算成本对比及不确定性区间。该文为arXiv预印本，同行评审与期刊接收情况未经核实，结论应视为预印本陈述。
原文摘要
Humans are exposed to complex mixtures of environmental pollutants rather than single chemicals, necessitating methods to quantify the health effects of such mixtures. Research on environmental mixtures provides insights into realistic exposure scenarios, informing regulatory policies that better protect public health. However, statistical challenges, including complex correlations among pollutants and nonlinear multivariate exposure-response relationships, complicate such analyses. A popular Bayesian semi-parametric Gaussian process regression framework (Coull et al., 2015) addresses these challenges by modeling exposure-response functions with Gaussian processes and performing feature selection to manage high-dimensional exposures while accounting for confounders. Originally designed for small to moderate-sized cohort studies, this framework does not scale well to massive datasets. To address this, we propose a divide-and-conquer strategy, partitioning data, computing posterior distributions in parallel, and combining results using the generalized median. While we focus on Gaussian process models for environmental mixtures, the proposed distributed computing strategy is broadly applicable to other Bayesian models with computationally prohibitive full-sample Markov Chain Monte Carlo fitting. We provide theoretical guarantees for the convergence of the proposed posterior distributions to those derived from the full sample. We apply this method to estimate associations between a mixture of ambient air pollutants and ~650,000 birthweights recorded in Massachusetts during 2001-2012. Our results reveal negative associations between birthweight and traffic pollution markers, including elemental and organic carbon and PM2.5, and positive associations with ozone and vegetation greenness.