Variational Inference for Sparse Poisson Regression
稀疏泊松回归的变分推断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：摘要聚焦稀疏泊松回归的变分贝叶斯估计方法，属于统计计算方法，未涉及所给因果推断、面板、离散选择、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…
稀疏泊松回归的变分推断
- 研究问题
- 摘要称，研究如何用非共轭变分贝叶斯方法处理稀疏泊松回归模型，并比较不同稀疏先验下的估计、预测与稀疏化表现。
- 方法与思路
- 作者提出用二次函数近似似然，使近似成分与回归系数的高斯先验形成共轭；采用Laplace、连续Spike-and-Slab与Bernoulli三种稀疏先验，并与对应MCMC方法及LASSO、SCAD两种频率学派方法比较。
- 材料陈述的贡献
- 摘要称，模拟研究中提出的变分贝叶斯方法能较好近似后验参数分布，且计算速度显著快于基准MCMC；并在若干计数响应基准数据集上评估了预测表现。
- 阅读关注点
- 应核对似然二次近似的具体形式与误差控制、三种先验的设定与超参数处理、变分优化算法及收敛判据，以及模拟与实证中估计、预测、稀疏化指标的定义和对比设置。
- 阅读边界
- 仅凭摘要无法判断近似后验的精度边界、理论保证、模拟设计细节与实证数据结论；且该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We have utilized the non-conjugate Variational Bayesian (VB) method for the problem of the sparse Poisson regression model. To provide approximate conjugacy in the model, the likelihood is approximated by a quadratic function, yielding conjugacy between the approximation component and the Gaussian prior on the regression coefficient. Three sparsity-enforcing priors (Laplace, Continuous Spike and Slab, and Bernoulli) are used for this problem. The proposed models are compared with each other, the associated MCMC models, and two frequentist sparse Poisson methods (LASSO and SCAD) to evaluate their estimation, prediction, and sparsity performance. In a simulation study, the proposed VB methods closely approximate the posterior parameter distribution while achieving significantly faster computation than benchmark MCMC methods. Using several benchmark count response data sets, the prediction performance of the proposed methods is evaluated in real-world applications.