SSS公司

“大p”回归模型的散弹随机搜索在具有大量候选预测因子的回归中,对模型的规范化和计算都提出了挑战,而马尔可夫链蒙特卡罗(MCMC)等标准方法往往是不可行或无效的。我们描述了一种新的散弹枪随机搜索(SSS)方法,它可以探索高维模型空间中的“有趣”区域,并快速识别模型上的高后验概率区域。我们描述了算法和建模方面,在贝叶斯和似然分析中隐含的传统维数惩罚方法的基础上,在模型空间中引入稀疏性和简约性的先验知识,以及使用集群计算机进行并行计算。我们从基因表达癌症基因组学,与MCMC等方法的比较,以及基于理论和仿真的大规模回归模型搜索性能特征等方面进行了讨论。我们还提供了实现这些方法的软件。


zbMATH参考文献(引用于 29篇文章

显示第1到第20个结果,共29个。
按年份排序(引用)
  1. Andrade,Daniel;Takeda,Akiko;Fukumizu,Kenji:基于高斯图形模型的变量聚类的稳健贝叶斯模型选择(2020)
  2. Kirsner,Daniel;Sansó,Bruno:大空间数据集的多尺度散弹枪随机搜索(2020)
  3. Dobra,Adrian;Valdes,Camilo;Ajdic,Dragana;Clarke,Bertrand;Clarke,Jennifer:微生物群落与团对数线性模型的建模关联(2019)
  4. Narisetty,Naveen N.;Shen,Juan;He,Xuming:Skinny Gibbs:一种用于模型选择的一致且可扩展的Gibbs采样器(2019年)
  5. Kim,Joungyun;Lim,Johan;Kim,Yongdai;Jang,Woncheol:具有强遗传约束的贝叶斯变量选择(2018)
  6. Ročková,Veronika:用于变量选择的粒子EM(2018)
  7. Papathomas,Michail;Richardson,Sylvia:探索分类变量之间的依赖性:在贝叶斯聚类中使用变量选择与交互项对数线性模型的好处和局限性(2016)
  8. Castillo,Ismaël;Schmidt Hieber,Johannes;van der Vart,Aad:稀疏先验贝叶斯线性回归(2015)
  9. Elliott,Graham;Gargano,Antonio;Timmermann,Allan:具有大维预测值集的完全子集回归(2015)
  10. Ghosh,Joyee;Tan,Aixin:贝叶斯变量选择的三明治算法(2015)
  11. Pungpapong,Vitara;Zhang,Min;Zhang,Dabao:使用迭代条件模式/中值算法选择大量变量(2015)
  12. 布莱奇,贾斯汀;卡普纳,亚当;乔治,爱德华一世;詹森,沙恩T.:巴特的变量选择:基因调控的应用(2014)
  13. Elliott,Graham;Gargano,Antonio;Timmermann,Allan:完全子集回归(2013)
  14. García-Donato,G.;Martínez-Beneito,M.a.:大模型空间贝叶斯变量选择问题中的抽样策略(2013)
  15. Guedj,Benjamin;Alquier,Pierre:稀疏加性模型中的PAC贝叶斯估计和预测(2013)
  16. Petralias,Athanasios;Dellaportas,Petros:回归问题的MCMC模型搜索算法(2013)
  17. Turnbull,Bradley;Ghosal,Subhashis;Zhang,Hao Helen:使用正交回归技术的迭代选择(2013)
  18. Woodard,Dawn B.;Rosenthal,Jeffrey S.:基因组基序发现的马尔可夫链方法的收敛速度(2013年)
  19. Dellaportas,Petros;Forster,Jonathan J.;Ntzoufras,Ioannis:模型空间和参数空间先验分布的联合规范(2012)
  20. Oates,Chris J.;Mukherjee,Sach:网络推理和生物动力学(2012)