Gibbs posterior for variable selection in high-dimensional classification and data mining
高维分类与数据挖掘中的 Gibbs 后验变量选择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。
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：摘要关注通用高维分类和变量选择，没有明确的离散选择经济模型或所列领域应用。
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
高维分类与数据挖掘中的 Gibbs 后验变量选择
- 研究问题
- 当候选变量数远大于样本量、概率模型可能错设时，如何直接围绕分类等实际风险进行贝叶斯式变量选择？
- 方法与思路
- 作者从实际风险函数构造 Gibbs 后验，无须为数据建立概率模型，并提出用于变量选择的马尔可夫链蒙特卡洛算法。
- 材料陈述的贡献
- 摘要称，论文给出高维情形下获得良好风险表现的条件，并提出计算算法；对常规贝叶斯方法的改善是条件性主张。
- 阅读关注点
- 应核对风险函数、先验与后验调节参数的选择，高维风险保证的条件，以及算法混合表现和错设比较的设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断风险界、计算成本或改善幅度；不能声称该方法普遍优于常规方法。
原文摘要
In the popular approach of “Bayesian variable selection” (BVS), one uses prior and posterior distributions to select a subset of candidate variables to enter the model. A completely new direction will be considered here to study BVS with a Gibbs posterior originating in statistical mechanics. The Gibbs posterior is constructed from a risk function of practical interest (such as the classification error) and aims at minimizing a risk function without modeling the data probabilistically. This can improve the performance over the usual Bayesian approach, which depends on a probability model which may be misspecified. Conditions will be provided to achieve good risk performance, even in the presence of high dimensionality, when the number of candidate variables “K” can be much larger than the sample size “n.” In addition, we develop a convenient Markov chain Monte Carlo algorithm to implement BVS with the Gibbs posterior.