Variational approximate penalized credible regions for Bayesian grouped regression
贝叶斯分组回归的变分近似惩罚可信区域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：摘要聚焦贝叶斯高维回归的变量选择与变分计算，属于统计方法学内容，未涉及所给因果推断、面板、时间序列、金融等应用领域细分。
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
贝叶斯分组回归的变分近似惩罚可信区域
- 研究问题
- 摘要称，针对贝叶斯高维回归中的变量选择与预测，如何避免MCMC长链带来的高计算成本，以及非稀疏解导致的变量选择结果含糊，是本文关注的问题。
- 方法与思路
- 作者提出分组惩罚可信区域方法：用分组全局-局部收缩先验压缩不重要组的噪声，以坐标上升变分推断近似后验摘要，并把惩罚可信区域框架改写为可高效求解的凸优化问题。
- 材料陈述的贡献
- 摘要称，作者证明后处理估计量在高维设定下具有参数相合性与变量选择相合性，并从理论上论证坐标上升算法至少运行两轮的理由；模拟显示在ANOVA与非参数变系数等模型中优于现有方法。
- 阅读关注点
- 应核对分组结构的具体设定、先验与变分近似的误差控制、相合性所需的高维条件与正则化参数选取，以及模拟比较的基准方法、评价指标与计算时间口径。
- 阅读边界
- 仅凭摘要无法判断证明细节、模拟设计是否公平、真实数据表现与调参敏感性；摘要未说明是否提供代码或可复现材料。该文为arXiv预印本，未经同行评审验证。
原文摘要
We develop a fast and accurate grouped penalized credible region approach for variable selection and prediction in Bayesian high-dimensional regression. Most existing Bayesian methods either are subject to high computational costs due to long Markov Chain Monte Carlo runs or yield ambiguous variable selection results due to non-sparse solution output. The penalized credible region framework yields sparse post-processed estimates that facilitates unambiguous grouped variable selection. High estimation accuracy is achieved by shrinking noise from unimportant groups using a grouped global-local shrinkage prior. To ensure computational scalability, we approximate posterior summaries using coordinate ascent variational inference and recast the penalized credible region framework as a convex optimization problem that admits efficient computations. We prove that the resultant post-processed estimators are both parameter-consistent and variable selection consistent in high-dimensional settings. Theory is developed to justify running the coordinate ascent algorithm for at least two cycles. Through extensive simulations, we demonstrate that our proposed method outperforms state-of-the-art methods in grouped variable selection, prediction, and computation time for several common models including ANOVA and nonparametric varying coefficient models.