Hybrid unadjusted Langevin methods for high-dimensional latent variable models
高维潜变量模型的混合无校正 Langevin 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：摘要明确以大样本离散选择模型和后验选择概率估计作为实证示例。
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…
高维潜变量模型的混合无校正 Langevin 方法
- 研究问题
- 潜变量维数随样本量增长时，如何降低贝叶斯估计中数值积分的计算成本，并保留对后验选择概率的准确估计？
- 方法与思路
- 作者提出基于 Langevin 扩散的近似贝叶斯方法，利用 Fisher 恒等式处理潜变量积分，避免预设未知量的参数分布。
- 材料陈述的贡献
- 摘要称该方法适用于大数据潜变量模型，并在百万观测的离散选择实例中，以较少计算时间准确估计后验选择概率。
- 阅读关注点
- 应核对混合算法的更新步骤、潜变量积分近似和离散化误差，以及计算时间比较中的硬件、精度标准与基准设置。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给完整误差控制条件，单个实例的提速不能直接推广。
原文摘要
The exact estimation of latent variable models with big data is known to be challenging. The latents have to be integrated out numerically, and the dimension of the latent variables increases with the sample size. This paper develops a novel approximate Bayesian method based on the Langevin diffusion process. The method employs the Fisher identity to integrate out the latent variables, which makes it accurate and computationally feasible when applied to big data. In contrast to other approximate estimation methods, it does not require the choice of a parametric distribution for the unknowns, which often leads to inaccuracies. In an empirical discrete choice example with a million observations, the proposed method accurately estimates the posterior choice probabilities using only 2% of the computation time of exact MCMC.