Bayesian High-dimensional Grouped-regression using Sparse Projection-posterior
基于稀疏投影后验的贝叶斯高维分组回归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：摘要主题为高维分组回归的贝叶斯投影后验与理论性质，并应用于脑影像数据，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择任何细分。
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
基于稀疏投影后验的贝叶斯高维分组回归
- 研究问题
- 摘要称，研究在高维稀疏设定下如何进行分组回归的变量组选择与估计，并给出后验收缩率、模型选择相合性与可信区间覆盖等理论性质。
- 方法与思路
- 作者提出稀疏投影方法，用诱导稀疏的映射把稠密后验样本投影到低维结构化稀疏参数空间，构造 Group LASSO、Group SCAD 与 Adaptive Group LASSO 三种投影后验，并提出去偏 Group LASSO 投影映射。
- 材料陈述的贡献
- 摘要称推导了估计与预测的最优后验收缩率，证明方法具有模型选择相合性，去偏映射可实现可信集的精确覆盖；并在非参数可加模型中结合 B 样条展开，用模拟与 ADNI 脑 MRI 体积数据说明实用性。
- 阅读关注点
- 应核对三种投影映射的具体构造与惩罚参数选择、后验收缩率所需假设与维数条件、模型选择相合性的证明范围，以及去偏映射覆盖结论的渐近含义与模拟、ADNI 应用的实际设定。
- 阅读边界
- 仅凭摘要无法判断定理假设是否合理、证明是否正确、模拟与实证的具体表现，也不能确认方法相对已有分组变量选择方法的优势；摘要未说明先验设定、计算算法与收敛性、ADNI 数据的样本与识别策略。
原文摘要
We present a novel Bayesian approach for high-dimensional grouped regression under sparsity. We leverage a sparse projection method that uses a sparsity-inducing map to derive an induced posterior on a lower-dimensional parameter space. Our method introduces three distinct projection maps based on popular penalty functions: the Group LASSO Projection Posterior, Group SCAD Projection Posterior, and Adaptive Group LASSO Projection Posterior. Each projection map is constructed to immerse dense posterior samples into a structured, sparse space, allowing for effective group selection and estimation in high-dimensional settings. We derive optimal posterior contraction rates for estimation and prediction, proving that the methods are model selection consistent. Additionally, we propose a Debiased Group LASSO Projection Map, which ensures exact coverage of credible sets. Our methodology is particularly suited for applications in nonparametric additive models, where we apply it with B-spline expansions to capture complex relationships between covariates and response. Extensive simulations validate our theoretical findings, demonstrating the robustness of our approach across different settings. Finally, we illustrate the practical utility of our method with an application to brain MRI volume data from the Alzheimer's Disease Neuroimaging Initiative (ADNI), where our model identifies key brain regions associated with Alzheimer's progression.