Fast Variational Inference for Bayesian Factor Analysis in Single and Multi-Study Settings
单研究与多研究贝叶斯因子分析的快速变分推断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。
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：摘要讨论通用贝叶斯因子分析，应用为癌症基因表达，缺乏宏观或金融因子分类依据。
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…
单研究与多研究贝叶斯因子分析的快速变分推断
- 研究问题
- 贝叶斯因子分析中，研究数量、观测量或变量维度增大使 MCMC 成本上升；如何以较低时间和内存成本近似后验分布？
- 方法与思路
- 作者针对采用乘法伽马过程收缩先验的潜在因子模型设计变分推断算法，覆盖单研究与多研究场景，并以模拟和基因表达数据评估。
- 材料陈述的贡献
- 摘要称，算法以较少时间和内存获得近似推断，协方差刻画准确度与 MCMC 相近，并提供实现这些方法的 R 软件包。
- 阅读关注点
- 应核对变分分布与优化步骤、跨研究因子的设定、收缩先验的作用，以及协方差准确度、后验不确定性和计算成本的比较方式。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未给出成本改善数值，协方差准确度相近不等于后验全面准确。
原文摘要
Factors models are routinely used to analyze high-dimensional data in both single-study and multi-study settings. Bayesian inference for such models relies on Markov Chain Monte Carlo (MCMC) methods which scale poorly as the number of studies, observations, or measured variables increase. To address this issue, we propose variational inference algorithms to approximate the posterior distribution of Bayesian latent factor models using the multiplicative gamma process shrinkage prior. The proposed algorithms provide fast approximate inference at a fraction of the time and memory of MCMC-based implementations while maintaining comparable accuracy in characterizing the data covariance matrix. We conduct extensive simulations to evaluate our proposed algorithms and show their utility in estimating the model for high-dimensional multi-study gene expression data in ovarian cancers. Overall, our proposed approaches enable more efficient and scalable inference for factor models, facilitating their use in high-dimensional settings. An R package VIMSFA implementing our methods is available on GitHub (github.com/blhansen/VI-MSFA).