Efficient Computation of High-Dimensional Penalized Generalized Linear Mixed Models by Latent Factor Modeling of the Random Effects
借助随机效应潜在因子建模高效计算高维惩罚广义线性混合模型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：摘要研究生物医学场景的通用混合模型计算，随机效应因子分解不足以归入宏观或金融因子领域。
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…
借助随机效应潜在因子建模高效计算高维惩罚广义线性混合模型
- 研究问题
- 高维生物医学数据中，广义线性混合模型的随机效应维度与计算成本快速增长；如何降低潜在空间维度并同时选择固定和随机效应？
- 方法与思路
- 作者用因子分解重写随机效应，将高维潜在空间压缩为少量因子，并采用修改后的蒙特卡洛期望条件极大化算法估计及选择变量。
- 材料陈述的贡献
- 摘要称，因子分解使高维惩罚广义线性混合模型具有更好的计算可扩展性，模拟中拟合速度快于比较方法，并可处理更大维度。
- 阅读关注点
- 应核对因子分解的结构限制、因子数和惩罚的选择、固定与随机效应联合筛选规则，以及计算加速是否影响估计和选择表现。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未给出速度或维度数值，也未说明收敛保证和变量选择理论。
原文摘要
Modern biomedical datasets are increasingly high dimensional and exhibit complex correlation structures. Generalized Linear Mixed Models (GLMMs) have long been employed to account for such dependencies. However, proper specification of the fixed and random effects in GLMMs is increasingly difficult in high dimensions, and computational complexity grows with increasing dimension of the random effects. We present a novel reformulation of the GLMM using a factor model decomposition of the random effects, enabling scalable computation of GLMMs in high dimensions by reducing the latent space from a large number of random effects to a smaller set of latent factors. We also extend our prior work to estimate model parameters using a modified Monte Carlo Expectation Conditional Minimization algorithm, allowing us to perform variable selection on both the fixed and random effects simultaneously. We show through simulation that through this factor model decomposition, our method can fit high dimensional penalized GLMMs faster than comparable methods and more easily scale to larger dimensions not previously seen in existing approaches.