Bayesian factorization via $L_{1/2}$ shrinkage
基于 L₁/₂ 收缩的贝叶斯因子分解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：摘要讨论通用因子分解，未提供宏观因子或金融因子应用依据。
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…
基于 L₁/₂ 收缩的贝叶斯因子分解
- 研究问题
- 在允许无限多个因子的贝叶斯模型中，如何简化载荷先验的层级结构，同时保留随因子序号递增的收缩性质？
- 方法与思路
- 作者提出 L₁/₂ 收缩先验，通过设置全局收缩参数的超先验保持递增收缩，并构建 Gibbs 采样与变分近似算法。
- 材料陈述的贡献
- 摘要称该先验结构更简单，便于后验计算；数值研究报告其在估计准确性和计算效率方面相对常用方法的优势。
- 阅读关注点
- 应核对递增收缩成立的超参数条件、无限因子的处理方式、精确后验推断的计算含义，以及变分近似的误差评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未说明具体超参数、比较规模与数值结果，优势仍需核对。
原文摘要
Factor models are widely used for dimension reduction. Bayesian approaches to these models often place a prior on the factor loadings that allows for infinitely many factors, with loadings increasingly shrunk toward zero as the column index increases. However, existing increasing shrinkage priors often possess complex hierarchical structures that complicate posterior inference. To address this issue, we propose using an $L_{1/2}$ shrinkage prior. We demonstrate that by carefully setting the parameters in the hyper prior of its global shrinkage parameters, the increasing shrinkage property is preserved. Our prior specification is simple, facilitating the construction of an efficient Gibbs sampler for exact posterior inference. For faster computation, we also propose a variational approximation algorithm. Through numerical studies, we compare our approaches with current popular Bayesian methods for factor models, demonstrating their merits in terms of accuracy and computational efficiency.