Factor pretraining in Bayesian multivariate logistic models
贝叶斯多元逻辑回归模型中的因子预训练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：研究是生态二元响应建模，潜在因子和逻辑回归不足以归为宏观因子或离散选择。
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
贝叶斯多元逻辑回归模型中的因子预训练
- 研究问题
- 高维二元响应的贝叶斯潜在因子模型面临后验计算扩展困难，能否通过预估因子提高计算效率并保留可靠的不确定性量化？
- 方法与思路
- 作者预估潜在因子，在给定因子后分别拟合逻辑回归，平行使用高斯后验近似，并调整可信区间以获得频率学覆盖。
- 材料陈述的贡献
- 摘要称给出后验集中性质及区间调整方法，模拟表现良好，并将方法用于马达加斯加节肢动物生物多样性数据。
- 阅读关注点
- 应核对因子预估误差如何处理、维度增长与后验集中条件，以及高斯近似、区间调整和生态数据分析的具体实现。
- 阅读边界
- 仅依据所给 Crossref 摘要，不能推断其他版本变化。摘要未列理论条件和覆盖率结果，不能认定任意高维设定都有效。
原文摘要
Abstract This article focuses on inference in logistic regression for high-dimensional binary outcomes. A popular approach induces dependence across the outcomes by including latent factors in the linear predictor. Bayesian approaches are useful for characterizing uncertainty in inferring the regression coefficients, factors and loadings, while also incorporating hierarchical and shrinkage structures. However, Markov chain Monte Carlo algorithms for posterior computation face challenges in scaling to high-dimensional outcomes. Motivated by applications in ecology, we exploit a blessing of dimensionality to motivate pre-estimation of the latent factors. Conditionally on the factors, the outcomes are modelled via independent logistic regressions. We implement Gaussian approximations in parallel in inferring the posterior on the regression coefficients and loadings, including a simple adjustment to obtain credible intervals with valid frequentist coverage. We show posterior concentration properties and excellent empirical performance in simulations. The methods are applied to arthropod biodiversity data in Madagascar.