Empirical Bayes for Data Integration
数据整合中的经验贝叶斯方法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：摘要讨论的是经验贝叶斯与迁移学习式数据整合的统计方法，未涉及所给因果推断、面板、时间序列、资产定价等具体领域细分，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
数据整合中的经验贝叶斯方法
- 研究问题
- 摘要关注在迁移学习式的数据整合场景中，当只能获得既往研究的不完整数据（如摘要、估计值或相关特征列表）时，如何学习结构（例如变量选择）。
- 方法与思路
- 作者讨论全贝叶斯与经验贝叶斯的差异，并为经验贝叶斯构建了一个计算框架，在高维回归例子中比较全贝叶斯推断与经验贝叶斯数据整合的表现。
- 材料陈述的贡献
- 摘要称经验贝叶斯在比全贝叶斯及其他标准准则更弱的条件下（稀疏性与 betamin 假设）实现一致的变量选择，并获得更快的收敛速度；高维回归示例显示全贝叶斯推断性质优良，经验贝叶斯数据整合在实践中带来温和但有意义的改进。
- 阅读关注点
- 应核对经验贝叶斯一致性变量选择所需的具体假设、betamin 假设的含义、收敛速度的精确表述，以及高维回归示例的数据生成与比较基准。
- 阅读边界
- 这是 arXiv 预印本，未经同行评审或期刊接收验证；摘要未说明具体定理、证明细节、模拟设计、数值结果与实证数据来源，不能据此判断方法的一般优越性。
原文摘要
We discuss the use of empirical Bayes for data integration, in the sense of transfer learning. Our main interest is in settings where one wishes to learn structure (e.g. feature selection) and one only has access to incomplete data from previous studies, such as summaries, estimates or lists of relevant features. We discuss differences between full Bayes and empirical Bayes, and develop a computational framework for the latter. We discuss how empirical Bayes attains consistent variable selection under weaker conditions (sparsity and betamin assumptions) than full Bayes and other standard criteria do, and how it attains faster convergence rates. Our high-dimensional regression examples show that fully Bayesian inference enjoys excellent properties, and that data integration with empirical Bayes can offer moderate yet meaningful improvements in practice.