Data augmentation for non-Gaussian regression models using variance-mean mixtures
利用方差—均值混合进行非高斯回归的数据增广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：摘要以通用回归与分类的计算方法为主，二元逻辑回归例子不足以证明其研究经济离散选择。
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…
关注这篇论文的作者
利用方差—均值混合进行非高斯回归的数据增广
- 研究问题
- 如何借助正态方差—均值混合，为常见正则化问题构造数据增广，使期望最大化算法适用于更广泛的非高斯回归模型？
- 方法与思路
- 作者利用正态方差—均值混合理论推导增广方案，在回归和分类中使用期望最大化算法变体，并引入拟牛顿加速。
- 材料陈述的贡献
- 摘要称该方案推广既有正态方差混合理论，以二元逻辑回归等例子说明应用，并报告拟牛顿加速可改善速度而不损害算法稳健性。
- 阅读关注点
- 应核对混合表示适用的损失与先验类别、增广变量的更新、算法收敛判据，以及速度和稳健性比较的具体定义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；适用模型条件、速度比较数值与稳健性含义未说明，不能将计算稳健性等同于统计抗污染能力。
原文摘要
We use the theory of normal variance-mean mixtures to derive a data-augmentation scheme for a class of common regularization problems. This generalizes existing theory on normal variance mixtures for priors in regression and classification. It also allows variants of the expectation-maximization algorithm to be brought to bear on a wider range of models than previously appreciated. We demonstrate the method on several examples, focusing on the case of binary logistic regression. We also show that quasi-Newton acceleration can substantially improve the speed of the algorithm without compromising its robustness.