Compressed Bayesian Tensor Regression
压缩贝叶斯张量回归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：摘要聚焦张量回归的随机投影与贝叶斯计算方法，未涉及所给微观、宏观或金融领域细分的具体问题，故不选择任何领域细分。
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
压缩贝叶斯张量回归
- 研究问题
- 摘要称，研究如何应对张量回归中常见的高维问题，即在高维张量型协变量下进行回归并保持对响应变量的信息。
- 方法与思路
- 作者提出广义张量随机投影，将高维张量协变量嵌入低维子空间，允许张量级、模级或组合投影；并给出贝叶斯推断框架，采用分层先验与参数低秩表示，配合 Gibbs 抽样与贝叶斯模型平均。
- 材料陈述的贡献
- 摘要称提供随机投影集中性质与后验相合性的理论支持，开发压缩数据上的高效 Gibbs 抽样，并用反向逻辑回归估计归一化常数以缓解随机投影敏感性；模拟与真实数据应用称在降低计算成本的同时取得更好的样本外预测。
- 阅读关注点
- 应核对随机投影的具体构造与信息损失度量、分层先验与低秩表示的可识别性条件、集中性质与后验相合性所需假设、Gibbs 抽样与归一化常数估计的实现细节，以及模拟与实证中调参和比较基准的设定。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；摘要未说明具体识别假设、定理条件、数据来源与数值结果，不能据此判断已通过同行评审或期刊接收，也不能验证其相对标准贝叶斯张量回归的优越性。
原文摘要
To address the common problem of high dimensionality in tensor regressions, we introduce a generalized tensor random projection method that embeds high-dimensional tensor-valued covariates into low-dimensional subspaces with minimal loss of information about the responses. The method is flexible, allowing for tensor-wise, mode-wise, or combined random projections as special cases. A Bayesian inference framework is provided featuring the use of a hierarchical prior distribution and a low-rank representation of the parameter. Strong theoretical support is provided for the concentration properties of the random projection and posterior consistency of the Bayesian inference. An efficient Gibbs sampler is developed to perform inference on the compressed data. To mitigate the sensitivity introduced by random projections, Bayesian model averaging is employed, with normalising constants estimated using reverse logistic regression. An extensive simulation study is conducted to examine the effects of different tuning parameters. Simulations indicate, and the real data application confirms, that compressed Bayesian tensor regression can achieve better out-of-sample prediction while significantly reducing computational cost compared to standard Bayesian tensor regression.