Fast sampling with Gaussian scale mixture priors in high-dimensional regression
高维回归中高斯尺度混合先验的快速抽样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：摘要研究通用高维贝叶斯回归的抽样计算，未涉及结构经济模型或其他所列领域，故不据回归一词归类。
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…
高维回归中高斯尺度混合先验的快速抽样
- 研究问题
- 在高维参数使用高斯尺度混合先验时，如何高效抽取相关的结构化多元高斯样本，降低常规矩阵分解的计算成本？
- 方法与思路
- 作者提出仅需矩阵乘法和线性方程求解的高斯抽样算法，并以回归系数采用马蹄先验的高维回归问题展示其应用。
- 材料陈述的贡献
- 摘要称所提算法的复杂度随维度线性增长，相较依赖 Cholesky 分解的立方复杂度算法，并指出其具有广泛应用潜力。
- 阅读关注点
- 应核对适用的高斯协方差结构、复杂度结论固定了哪些其他规模参数，以及抽样正确性、内存需求与实际运行表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；线性复杂度的具体适用条件和数值加速幅度未说明。
原文摘要
We propose an efficient way to sample from a class of structured multivariate Gaussian distributions. The proposed algorithm only requires matrix multiplications and linear system solutions. Its computational complexity grows linearly with the dimension, unlike existing algorithms that rely on Cholesky factorizations with cubic complexity. The algorithm is broadly applicable in settings where Gaussian scale mixture priors are used on high-dimensional parameters. Its effectiveness is illustrated through a high-dimensional regression problem with a horseshoe prior on the regression coefficients. Other potential applications are outlined.