Mean-field Variational Bayes for Sparse Probit Regression
稀疏Probit回归的均值场变分贝叶斯方法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：摘要以probit链接建模二值结果并做变量选择与预测，直接对应离散选择方向；其余领域细分在摘要中缺乏文本依据。
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…
关注这篇论文的作者
稀疏Probit回归的均值场变分贝叶斯方法
- 研究问题
- 摘要称，研究二值结果下、回归系数带spike-and-slab先验的贝叶斯变量选择问题，动机是高维情形下MCMC采样器面临的计算困难。
- 方法与思路
- 作者提出均值场变分贝叶斯近似，使各变分因子均有闭式更新、证据下界也有闭式表达，并据此构造坐标上升变分推断算法求解最优变分参数。
- 材料陈述的贡献
- 摘要称该方法可同时给出后验包含概率与参数估计，在单一框架内实现可解释的变量选择与预测；模拟与真实数据应用显示其能识别重要变量，速度比MCMC快若干数量级且精度相当。
- 阅读关注点
- 应核对spike-and-slab先验与probit链接的具体设定、均值场分解的假设及其对后验依赖的近似代价、闭式更新的推导条件，以及模拟与真实数据的规模、评价指标和与MCMC比较的可复现细节。
- 阅读边界
- 仅依据摘要，无法判断均值场近似的理论保证、收敛性质与校准程度，也无法核实速度与精度比较的具体数值；摘要未说明真实数据的来源与规模。该文为arXiv预印本，未经同行评审验证。
原文摘要
We consider Bayesian variable selection for binary outcomes under a probit link with a spike-and-slab prior on the regression coefficients. Motivated by the computational challenges encountered by Markov chain Monte Carlo (MCMC) samplers in high-dimensional regimes, we develop a mean-field variational Bayes approximation in which all variational factors admit closed-form updates, and the evidence lower bound is available in closed form. This, in turn, allows the development of an efficient coordinate ascent variational inference algorithm to find the optimal values of the variational parameters. The approach produces posterior inclusion probabilities and parameter estimates, enabling interpretable selection and prediction within a single framework. As shown in both simulated and real data applications, the proposed method successfully identifies the important variables and is orders of magnitude faster than MCMC, while maintaining comparable accuracy.