Going With the Flow: Normalizing Flows for Gaussian Process Regression under Hierarchical Shrinkage Priors
分层收缩先验下高斯过程回归的归一化流方法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。
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：摘要主题为贝叶斯非参数回归的稀疏先验与变分推断方法，属于统计方法论，未直接对应所提供的微观、宏观或金融计量领域细分，故留空。
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
分层收缩先验下高斯过程回归的归一化流方法
- 研究问题
- 摘要称，研究如何在高维设定下以完全贝叶斯方式做高斯过程回归，同时解决变量选择困难与全贝叶斯推断计算负担重这两个问题。
- 方法与思路
- 作者提出将分层全局-局部收缩先验（分层三伽马先验）与归一化流结合：先验用于诱导稀疏、剔除无关协变量，归一化流则在变分推断框架内近似参数后验，以刻画复杂依赖并保持计算可扩展性。
- 材料陈述的贡献
- 摘要称该方法在模拟研究中优于传统最大似然估计与均值场变分方法，尤其在高稀疏、高维情形；并应用于靶向 BACE-1 小分子的结合亲和力 pIC50 数据，体现收缩先验的稳健灵活与归一化流的计算效率。
- 阅读关注点
- 应核对先验的具体设定与超参数选择、变分目标与归一化流结构、模拟设计及与基准方法的可比性、BACE-1 应用的预测评价指标，以及稀疏恢复与后验近似的诊断证据。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论保证、收敛性或真实数据结论的稳健性；摘要未说明具体数值结果、基准细节与代码可得性。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Gaussian Process Regression (GPR) is a powerful tool for nonparametric regression, but its application in a fully Bayesian fashion in high-dimensional settings is hindered by two primary challenges: the difficulty of variable selection and the computational burden, which is particularly acute in fully Bayesian inference. This paper introduces a novel methodology that combines hierarchical global-local shrinkage priors with normalizing flows to address these challenges. The hierarchical triple gamma prior offers a principled framework for inducing sparsity in high-dimensional GPR, effectively excluding irrelevant covariates while preserving interpretability and flexibility. Normalizing flows are employed within a variational inference framework to approximate the posterior distribution of parameters, capturing complex dependencies while ensuring computational scalability. Simulation studies demonstrate the efficacy of the proposed approach, outperforming traditional maximum likelihood estimation and mean-field variational methods, particularly in high-sparsity and high-dimensional settings. This is also borne out in an application to binding affinity ($\text{pIC}_{50}$) measurements for small molecules targeting $β$-secretase-1 (BACE-1). The results highlight the robustness and flexibility of hierarchical shrinkage priors and the computational efficiency of normalizing flows for Bayesian GPR. This work provides a scalable and interpretable solution for high-dimensional nonparametric regression, with implications for sparse modeling and posterior approximation in broader Bayesian contexts.