Jacobi Prior: An Alternative Bayesian Method for Supervised Learning
Jacobi 先验：一种替代性的贝叶斯监督学习方法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：摘要聚焦贝叶斯先验与监督学习算法，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，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…
关注这篇论文的作者
Jacobi 先验：一种替代性的贝叶斯监督学习方法
- 研究问题
- 摘要称，研究旨在提出一种替代性贝叶斯框架，在保持预测性能的同时提升计算效率，并适用于分布式计算环境。摘要未说明具体要回答的实证或理论问题。
- 方法与思路
- 作者提出 Jacobi 先验，并给出可并行化的蒙特卡洛算法以量化系数估计的不确定性；摘要称证明了 Jacobi 估计量与 Jacobi 先验下的后验众数渐近接近且渐近等价。
- 材料陈述的贡献
- 摘要称该方法相对 Lasso、Ridge、Elastic Net、uniLasso、基于 MCMC 的 Horseshoe 先验以及 SVM、随机森林、XGBoost 等，取得相当或更好的精度且计算成本显著降低，并天然适配跨服务器分区数据。
- 阅读关注点
- 应核对渐近等价性的具体条件与证明、并行蒙特卡洛算法的收敛与不确定性校准、模拟实验中一致性、可扩展性与稳健性的设定，以及真实数据任务的预处理与基线调参是否公平。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理条件、模拟与真实数据的具体数值结果及相对优势的稳健性；摘要未说明若干实现细节。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
The Jacobi prior offers an alternative Bayesian framework, designed to achieve superior computational efficiency without compromising predictive performance. Compared to widely used methods such as Lasso, Ridge, Elastic Net, uniLasso, the MCMC-based Horseshoe prior, and non-Bayesian machine learning methods including Support Vector Machines (SVM), Random Forests, and Extreme Gradient Boosting (XGBoost), the Jacobi prior achieves competitive or better accuracy with significantly reduced computational cost. The method is well suited to distributed computing environments, as it naturally accommodates partitioned data across multiple servers. We propose a parallelisable Monte Carlo algorithm to quantify the uncertainty in the estimated coefficients. We establish that the Jacobi estimator is asymptotically close to, and asymptotically equivalent to, the posterior mode under the Jacobi prior. To demonstrate its practical utility, we conduct a comprehensive simulation study comprising seven experiments focused on statistical consistency, prediction accuracy, scalability, sensitivity analysis and robustness study. We further present three real-data applications multi-class classification of stars, quasars, and galaxies using Sloan Digital Sky Survey data, and spinal degeneration classification using sagittal MRI scans from the RSNA 2024 Lumbar Spine Degenerative Classification Challenge. In the spine classification task, we extract last-layer features from a fine-tuned ResNet-50 model and evaluate multiple classifiers, including Jacobi-Multinomial logit regression, SVM, and Random Forest. All code and datasets used in this paper are available at: https://github.com/sourish-cmi/Jacobi-Prior/