Dimension-Free Mixing for High-Dimensional Bayesian Variable Selection
高维贝叶斯变量选择中不依赖维度的混合时间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：摘要研究通用贝叶斯变量选择的MCMC计算与收敛理论，没有明确对应所列因果、宏观或金融细分。
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…
高维贝叶斯变量选择中不依赖维度的混合时间
- 研究问题
- 高维贝叶斯变量选择能否通过利用后验信息的提议机制加快MCMC混合，并抵消局部后验计算增加的成本？
- 方法与思路
- 作者构造利用信息的MCMC提议机制，在既有高维假设下分析混合时间，并提出两阶段漂移条件研究一般链的收敛。
- 材料陈述的贡献
- 摘要称，新采样器在所述条件下实现与协变量数量无关的更快混合，并以模拟和真实数据展示实际优势。
- 阅读关注点
- 应核对高维假设、混合时间对其他参数的依赖、每步计算成本，以及两阶段漂移条件如何导出复杂度界。
- 阅读边界
- 仅据Crossref摘要，不依赖维度的结论受所述假设约束；未提供假设细节或耗时数值，不能认定总计算成本不随维度增长。
原文摘要
Abstract Yang et al. proved that the symmetric random walk Metropolis–Hastings algorithm for Bayesian variable selection is rapidly mixing under mild high-dimensional assumptions. We propose a novel Markov chain Monte Carlo (MCMC) sampler using an informed proposal scheme, which we prove achieves a much faster mixing time that is independent of the number of covariates, under the assumptions of Yang et al. To the best of our knowledge, this is the first high-dimensional result which rigorously shows that the mixing rate of informed MCMC methods can be fast enough to offset the computational cost of local posterior evaluation. Motivated by the theoretical analysis of our sampler, we further propose a new approach called ‘two-stage drift condition’ to studying convergence rates of Markov chains on general state spaces, which can be useful for obtaining tight complexity bounds in high-dimensional settings. The practical advantages of our algorithm are illustrated by both simulation studies and real data analysis.