Spectral Collapsed Gibbs Sampler for Bayesian Sparse Regression
贝叶斯稀疏回归的谱塌缩 Gibbs 采样器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：摘要讨论的是贝叶斯稀疏回归的采样算法与计算实现，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等具体计量方向，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…
贝叶斯稀疏回归的谱塌缩 Gibbs 采样器
- 研究问题
- 摘要称，基于全局-局部收缩先验的稀疏回归在高维贝叶斯建模中日益常用，但用于后验推断的 Gibbs 采样器难以扩展；作者关注全局尺度参数 τ 及整体采样器混合不佳的问题。
- 方法与思路
- 作者提出对 τ 更新时边缘化系数的塌缩更新，通过线性代数处理与每次 Gibbs 扫描的谱分解，使塌缩密度可在数百个 τ 取值上低成本求值，并结合自适应数值积分与逆变换采样构造直接采样器。
- 材料陈述的贡献
- 摘要称，此前认为塌缩更新需要 Metropolis 步骤，作者证明可直接高效地从塌缩密度采样，从而免去 Metropolis 提议分布的调参，并获得更快收敛与更好混合；并在两个大数据逻辑回归应用中演示。
- 阅读关注点
- 应核对谱分解的具体构造与每次扫描的更新成本、塌缩密度直接采样的推导条件、自适应数值积分与逆变换采样的误差控制，以及两个应用的数据规模与比较基准是否支持收敛与混合改善的说法。
- 阅读边界
- 仅凭摘要无法判断推导的正确性、采样器在高维下的实际计算与内存开销、混合改善的量化程度，以及与其他采样方法的全面比较；摘要未说明理论保证、模拟设计细节与代码可得性。
原文摘要
Sparse regression based on global-local shrinkage priors are increasingly used for Bayesian modeling of modern high-dimensional data, but scaling up the Gibbs sampler for posterior inference remains a challenge. While much effort has gone into speeding up the high-dimensional coefficient update step, insufficient attention has been given to the potential poor mixing of the global scale parameter $τ$ and of the overall sampler. One proposed remedy has been to marginalize out the coefficients when updating $τ$. Here we show that, while this collapsed update was previously thought to require a Metropolis step, we can in fact sample directly and efficiently from the collapsed density. This is made possible by careful linear algebraic manipulations and a strategic per-Gibbs-scan spectral decomposition, allowing subsequent evaluations of the collapsed density across hundreds of values of $τ$ at negligible cost. We combine this computational trick with adaptive numerical integration and inverse transform sampling to construct a direct sampler. This eliminates the need to tune Metropolis proposals and yields faster convergence and improved mixing. We demonstrate our method on two big data applications, fitting logistic regression under the horseshoe prior to datasets with design matrices of size 120,000 x 1,379 and 1,980 x 17,848.