Variational Inference for Variable Selection in Scalar-on-Function Regression
函数型回归中变量选择的变分推断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：摘要讨论函数型回归的变量选择与变分推断，属于统计方法学主题，与所列微观、宏观、金融等应用领域细分无直接文本对应，故不选择。
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…
函数型回归中变量选择的变分推断
- 研究问题
- 摘要称，实际回归中常测量多个协变量但并非都与响应相关，因此研究如何在仅含函数型协变量的标量对函数回归以及同时含标量协变量的部分函数型回归中，同时进行估计与变量选择。
- 方法与思路
- 作者提出变分推断方法，具体为变分期望最大化（VEM）算法：在E步实施变分贝叶斯程序，得到除正则化参数外多数模型参数的近似边际后验分布；正则化参数在M步更新。
- 材料陈述的贡献
- 摘要称，通过多种场景的模拟研究，该方法能准确识别相关协变量并保持较强预测表现；与BGLSS、grLASSO、grMCP、grSCAD等替代方法相比，在多数场景下于拟合优度与稀疏性之间取得更优平衡，并用糖样本光谱分析与日本气象测量数据作实证展示。
- 阅读关注点
- 阅读全文时应核对：变分近似的具体形式与收敛判据、正则化参数在M步的更新方式、模拟场景设定与评价指标、与四种对比方法比较的公平性，以及两个实证数据的具体建模细节与结论稳健性。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论性质（如后验一致性）、模拟数值结果与实证结论的可靠性；摘要未说明算法复杂度、调参策略与敏感性分析。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
In practical regression applications, multiple covariates are often measured, but not all may be associated with the response variable. Identifying and including only the relevant covariates in the model is crucial for improving prediction accuracy. In this work, we develop a variational inference approach for estimation and variable selection in scalar-on-function regression, involving only functional covariates, and in partially functional regression models that also include scalar covariates. Specifically, we develop a variational expectation-maximization (VEM) algorithm, with a variational Bayes procedure implemented in the E-step to obtain approximate marginal posterior distributions for most model parameters, except for the regularization parameters, which are updated in the M-step. Our method accurately identifies relevant covariates while maintaining strong predictive performance, as demonstrated through extensive simulation studies across diverse scenarios. Compared with alternative approaches, including BGLSS (Bayesian Group Lasso with Spike-and-Slab priors), grLASSO (group Least Absolute Shrinkage and Selection Operator), grMCP (group Minimax Concave Penalty), and grSCAD (group Smoothly Clipped Absolute Deviation), our approach achieves a superior balance between goodness-of-fit and sparsity in most scenarios. We further illustrate its practical utility through real-data applications involving spectral analysis of sugar samples and weather measurements from Japan.