Expandable factor analysis
可扩展因子分析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：虽直接研究因子模型，但应用为基因表达，未提供宏观因子或金融因子方向的依据。
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…
可扩展因子分析
- 研究问题
- 样本量和变量维度较大且因子数未知时，如何高效估计稀疏因子模型，并在计算中处理因子数量的不确定性？
- 方法与思路
- 作者采用连续收缩先验，对低秩且稀疏的载荷矩阵进行最大后验估计，构造容纳因子数不确定性的算法及超参数选择准则。
- 材料陈述的贡献
- 摘要称方法在多种模拟中具有较好的错误发现率和真阳性率，并在小鼠衰老基因表达应用中优于四种比较方法。
- 阅读关注点
- 应核对先验如何实现稀疏性和因子数调整、信息准则的定义，以及性能比较采用的载荷识别标准和计算资源。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；不能推断其他版本变化。摘要未说明比较设置与数值幅度，最大后验估计也不足以说明完整后验的不确定性量化。
原文摘要
Bayesian sparse factor models have proven useful for characterizing dependence in multivariate data, but scaling computation to large numbers of samples and dimensions is problematic. We propose expandable factor analysis for scalable inference in factor models when the number of factors is unknown. The method relies on a continuous shrinkage prior for efficient maximum a posteriori estimation of a low-rank and sparse loadings matrix. The structure of the prior leads to an estimation algorithm that accommodates uncertainty in the number of factors. We propose an information criterion to select the hyperparameters of the prior. Expandable factor analysis has better false discovery rates and true positive rates than its competitors across diverse simulation settings. We apply the proposed approach to a gene expression study of ageing in mice, demonstrating superior results relative to four competing methods.