A Bayesian sparse factor model with adaptive posterior concentration
具有自适应后验集中性质的贝叶斯稀疏因子模型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：摘要研究通用高维稀疏因子理论，未交代宏观时间序列或金融应用，证据不足以归入所列领域细分。
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…
关注这篇论文的作者
具有自适应后验集中性质的贝叶斯稀疏因子模型
- 研究问题
- 在高维稀疏因子模型中，如何同时推断因子数与载荷矩阵的稀疏结构，并使后验集中性质适应未知稀疏程度和噪声方差？
- 方法与思路
- 作者在稀疏程度与因子维度之间引入特定依赖关系，构建兼顾计算可行性的贝叶斯方法，并分析因子数和协方差后验。
- 材料陈述的贡献
- 摘要称证明了自适应因子数后验一致性、最优因子数检测率及近最优协方差后验集中率，并报告数值比较优势。
- 阅读关注点
- 应核对稀疏程度与因子数的依赖设定、信号强度和噪声条件，以及最优检测率与近最优集中率所依据的损失和比较范围。
- 阅读边界
- 所给版本为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未提供定理条件和数值结果，不能独立确认所称优势。
原文摘要
In this paper, we propose a new Bayesian inference method for a high-dimensional sparse factor model that allows both the factor dimensionality and the sparse structure of the loading matrix to be inferred. The novelty is to introduce a certain dependence between the sparsity level and the factor dimensionality, which leads to adaptive posterior concentration while keeping computational tractability. We show that the posterior distribution asymptotically concentrates on the true factor dimensionality, and more importantly, this posterior consistency is adaptive to the sparsity level of the true loading matrix and the noise variance. We also prove that the proposed Bayesian model attains the optimal detection rate of the factor dimensionality in a more general situation than those found in the literature. Moreover, we obtain a near-optimal posterior concentration rate of the covariance matrix. Numerical studies are conducted and show the superiority of the proposed method compared with other competitors.