Fast Approximate Inference for Arbitrarily Large Semiparametric Regression Models via Message Passing
通过消息传递实现大规模半参数回归的快速近似推断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：摘要讨论通用贝叶斯半参数回归的计算方法，因子图本身不构成经济因子模型的分类依据。
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
通过消息传递实现大规模半参数回归的快速近似推断
- 研究问题
- 在大型贝叶斯半参数回归中，如何将近似推断所需的代数和程序模块化，使特定类型模型能够随结构扩展而便捷实现？
- 方法与思路
- 作者以因子图表示统计模型，将均值场变分贝叶斯写成消息传递形式，并引入因子图片段来封装基本运算、代数推导和代码。
- 材料陈述的贡献
- 摘要称所得算法具有可直接实现的闭式表达式，在建立基本运算后可处理广泛的大规模半参数模型，并阐明可扩展变分推断原则。
- 阅读关注点
- 应核对支持的模型类型、基本运算集合、因子图分解与变分独立限制，以及近似后验误差、收敛诊断和实际计算资源需求。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要，无法核对刊本变化；任意规模的表述限定于特定模型类型，摘要未给出近似精度保证。
原文摘要
We show how the notion of message passing can be used to streamline the algebra and computer coding for fast approximate inference in large Bayesian semiparametric regression models. In particular, this approach is amenable to handling arbitrarily large models of particular types once a set of primitive operations is established. The approach is founded upon a message passing formulation of mean field variational Bayes that utilizes factor graph representations of statistical models. The underlying principles apply to general Bayesian hierarchical models although we focus on semiparametric regression. The notion of factor graph fragments is introduced and is shown to facilitate compartmentalization of the required algebra and coding. The resultant algorithms have ready-to-implement closed form expressions and allow a broad class of arbitrarily large semiparametric regression models to be handled. Ongoing software projects such as Infer.NET and Stan support variational-type inference for particular model classes. This article is not concerned with software packages per se and focuses on the underlying tenets of scalable variational inference algorithms. Supplementary materials for this article are available online.