Variational Bayes for High-Dimensional Linear Regression With Sparse Priors
稀疏先验下高维线性回归的变分贝叶斯方法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。
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：摘要聚焦通用高维稀疏回归与变分计算，未明确涉及所列因果、面板、时间序列或金融细分，故不强行分类。
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
稀疏先验下高维线性回归的变分贝叶斯方法
- 研究问题
- 在稀疏高维线性回归中，均值场变分近似能否保留贝叶斯变量选择的估计与预测保证，算法更新顺序又有何影响？
- 方法与思路
- 作者研究尖峰与平板先验的均值场变分近似，在设计矩阵兼容性条件下推导预言机不等式，并提出数据驱动的优先更新方案。
- 材料陈述的贡献
- 摘要称该近似具有最优收敛率与响应向量预测保证，并通过模拟展示坐标更新顺序的敏感性及优先更新方案的改善。
- 阅读关注点
- 应核对兼容性条件、稀疏度与维数限制，以及最优率对应的损失；还需检查更新排序规则、算法收敛和模拟比较设置。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；摘要未说明完整先验条件、常数或模拟数值，不能推断刊本变化及普遍性能优势。
原文摘要
We study a mean-field spike and slab variational Bayes (VB) approximation to Bayesian model selection priors in sparse high-dimensional linear regression. Under compatibility conditions on the design matrix, oracle inequalities are derived for the mean-field VB approximation, implying that it converges to the sparse truth at the optimal rate and gives optimal prediction of the response vector. The empirical performance of our algorithm is studied, showing that it works comparably well as other state-of-the-art Bayesian variable selection methods. We also numerically demonstrate that the widely used coordinate-ascent variational inference algorithm can be highly sensitive to the parameter updating order, leading to potentially poor performance. To mitigate this, we propose a novel prioritized updating scheme that uses a data-driven updating order and performs better in simulations. The variational algorithm is implemented in the R package sparsevb. Supplementary materials for this article are available online.