Extended stochastic gradient Markov chain Monte Carlo for large-scale Bayesian variable selection
用于大规模贝叶斯变量选择的扩展随机梯度 MCMCAI 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计算与变量选择，没有明确对应所列领域细分的模型或应用。
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
用于大规模贝叶斯变量选择的扩展随机梯度 MCMC
- 研究问题
- 如何将随机梯度 MCMC 从固定维度、后验可微的问题扩展到包含维度跳跃或缺失数据的大规模贝叶斯计算？
- 方法与思路
- 作者通过引入适当潜变量扩展随机梯度 MCMC，使其能够处理更一般的计算问题，并以大规模贝叶斯变量选择为目标场景。
- 材料陈述的贡献
- 摘要称数值研究显示算法具有较强可扩展性，且比传统 MCMC 更高效；未在摘要中具体陈述相应的收敛定理。
- 阅读关注点
- 应核对潜变量如何处理维度变化、随机梯度如何构造、算法针对何种后验，以及计算效率比较和近似误差的衡量方式。
- 阅读边界
- 仅据所给 Crossref 摘要，平稳分布、收敛条件和计算误差均未说明，不能从数值效率推断精确性，也不能推断版本变化。
原文摘要
Summary Stochastic gradient Markov chain Monte Carlo algorithms have received much attention in Bayesian computing for big data problems, but they are only applicable to a small class of problems for which the parameter space has a fixed dimension and the log-posterior density is differentiable with respect to the parameters. This paper proposes an extended stochastic gradient Markov chain Monte Carlo algorithm which, by introducing appropriate latent variables, can be applied to more general large-scale Bayesian computing problems, such as those involving dimension jumping and missing data. Numerical studies show that the proposed algorithm is highly scalable and much more efficient than traditional Markov chain Monte Carlo algorithms.