Convergence analysis of data augmentation algorithms in Bayesian lasso models with log-concave likelihoods
对数凹似然贝叶斯 lasso 模型中数据增广算法的收敛性分析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：摘要聚焦贝叶斯 lasso 数据增广算法的收敛与混合时间理论，属于计算方法与理论分析，未直接对应所提供的因果推断、面板、离散选择、时间序列、资产定价等应用领域细分。
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
对数凹似然贝叶斯 lasso 模型中数据增广算法的收敛性分析
- 研究问题
- 摘要称，本文研究一类数据增广算法在目标为对数凹似然贝叶斯 lasso 模型后验分布时的收敛性质，关注其混合时间如何随样本量、回归系数维度和 lasso 惩罚参数变化。
- 方法与思路
- 作者提出利用等周不等式（isoperimetric inequalities）为该类数据增广算法推导一个通用的收敛界，并将其应用于贝叶斯 probit、logistic 以及异方差高斯线性 lasso 模型，在可行初始化条件下给出混合时间的阶。
- 材料陈述的贡献
- 摘要称，作者给出了该类算法的一个通用收敛界，并据此得到 probit 与 logistic 模型混合时间为 O[(p+n)^3(pn^{1-c}+n)]（忽略对数因子），异方差高斯模型为 O[n(n+p)^3(pn^{1-c}+n)]，其中 n 为样本量、p 为回归系数维度、c∈[0,1] 由 lasso 惩罚参数决定。
- 阅读关注点
- 阅读全文时应核对：等周不等式如何具体用于建立通用界、所需假设（如对数凹性、初始化可行性）的精确表述、c 与惩罚参数的对应关系，以及各模型混合时间界的推导细节与适用条件。
- 阅读边界
- 仅凭摘要无法判断通用收敛界的紧性、假设是否在实际中易满足、常数与对数因子的具体形式，也未说明数值实验或与其他算法的比较；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We study the convergence properties of a class of data augmentation algorithms targeting posterior distributions of Bayesian lasso models with log-concave likelihoods. Leveraging isoperimetric inequalities, we derive a generic convergence bound for this class of algorithms and apply it to Bayesian probit, logistic, and heteroskedastic Gaussian linear lasso models. Under feasible initializations, the mixing times for the probit and logistic models are of order $O[(p+n)^3 (pn^{1-c} + n)]$, up to logarithmic factors, where $n$ is the sample size, $p$ is the dimension of the regression coefficients, and $c \in [0,1]$ is determined by the lasso penalty parameter. The mixing time for the heteroskedastic Gaussian model is $O[n(n+p)^3 (p n^{1-c} + n)]$, up to logarithmic factors.