Gradient flows for empirical Bayes in high-dimensional linear models
高维线性模型经验贝叶斯的梯度流方法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：摘要聚焦高维线性模型经验贝叶斯的算法与理论，属于统计方法与理论方向，未涉及所给微观、宏观或金融领域细分的具体主题，故不选择任何细分。
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…
高维线性模型经验贝叶斯的梯度流方法
- 研究问题
- 摘要称，在潜变量与观测数据通过复杂设计交互的模型中，经验贝叶斯仍有许多统计与算法问题未解决；本文研究高维贝叶斯或随机效应线性模型中回归系数分布的经验贝叶斯估计这一典型设定。
- 方法与思路
- 作者提出一套新的梯度流方程组来求解非参数极大似然估计（NPMLE），在边际对数似然的 Gibbs 变分表示下同时优化回归系数的先验与后验；基于扩散的实现给出自适应 Langevin 动力学算法，使先验持续演化以优化由 Langevin 样本坐标定义的序列模型对数似然。
- 材料陈述的贡献
- 摘要称，理论上证明了所提梯度流从边际对数似然凸下水平集内任意初值出发，可在多项式时间内收敛到近似 NPMLE，其工具是针对后验分布的高温 log-Sobolev 不等式；并在回归设计的确定性条件下，当 n、p 趋于无穷时建立任意近似 NPMLE 的统计相合性。
- 阅读关注点
- 应核对梯度流与 Gibbs 变分表示的具体构造、自适应 Langevin 算法的实现细节与步长条件、高温 log-Sobolev 不等式所需假设、凸下水平集与初值条件的含义，以及 n、p 趋于无穷时相合性所依赖的确定性设计条件。
- 阅读边界
- 仅依据摘要，无法判断定理证明的完整性与正确性、算法的实际数值表现、与既有方法的比较，也未说明具体常数、收敛速率与模拟或实证结果；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Empirical Bayes provides a powerful framework for learning and adapting to latent structure in data. In sequence models where an independent observation is associated to each latent parameter, theory and methods around empirical Bayes are well-developed. However, in models where latent parameters and observed data interact through more complex designs, many statistical and algorithmic questions remain unanswered. In this work, we study a canonical setting of empirical Bayes estimation for the distribution of regression coefficients in a high-dimensional Bayesian or random effects linear model. Computationally, we propose a new system of gradient flow equations for computing a nonparametric maximum likelihood estimator (NPMLE), which jointly optimizes over the prior and posterior distributions of the regression coefficients in a Gibbs variational representation of the marginal log-likelihood. A diffusion-based implementation yields an adaptive Langevin dynamics algorithm in which the prior evolves continuously to optimize a sequence model log-likelihood defined by the coordinates of the Langevin sample. Theoretically, we show polynomial-time convergence of the proposed gradient flow to a near-NPMLE from any initialization within a convex sub-level set of the marginal log-likelihood, by developing a high-temperature log-Sobolev inequality for the posterior law. We establish the statistical consistency of any near-NPMLE under deterministic conditions for the regression design as $n,p\rightarrow\infty$.