Adaptive sampling for Bayesian variable selection
贝叶斯变量选择的自适应抽样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。
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：摘要聚焦通用贝叶斯计算与变量选择，没有收益预测或其他领域细分的直接证据。
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
贝叶斯变量选择的自适应抽样
- 研究问题
- 在线性回归的贝叶斯变量选择中，如何利用已积累的后验信息改进蒙特卡洛抽样效率，同时确保正确的目标分布？
- 方法与思路
- 作者构造自适应 Metropolis–Hastings 提议，利用最佳线性预测近似 Gibbs 抽样，并给出自适应方案有效性的条件。
- 材料陈述的贡献
- 摘要称，方案每次迭代比 Gibbs 抽样更快，按相同计算时间比较后验量估计精度时具有明显效率收益。
- 阅读关注点
- 应核对自适应更新方式与遍历性条件，并区分单次迭代成本、样本相关性和固定计算时间下的估计精度。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体有效性条件和效率数值未提供，推广到更一般变量选择问题仍需核对。
原文摘要
Our paper proposes adaptive Monte Carlo sampling schemes for Bayesian variable selection in linear regression that improve on standard Markov chain methods. We do so by considering Metropolis–Hastings proposals that make use of accumulated information about the posterior distribution obtained during sampling. Adaptation needs to be done carefully to ensure that sampling is from the correct ergodic distribution. We give conditions for the validity of an adaptive sampling scheme in this problem, and for simulating from a distribution on a finite state space in general, and suggest a class of adaptive proposal densities which uses best linear prediction to approximate the Gibbs sampler. Our sampling scheme is computationally much faster per iteration than the Gibbs sampler, and when this is taken into account the efficiency gains when using our sampling scheme compared to alternative approaches are substantial in terms of precision of estimation of posterior quantities of interest for a given amount of computation time. We compare our method with other sampling schemes for examples involving both real and simulated data. The methodology developed in the paper can be extended to variable selection in more general problems.