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中的参考文献(参考文献31条)

显示第1到第20个结果,共31个。
按年份排序(引用)
  1. 安德拉德,丹尼尔;武田、秋子;Fukumizu,Kenji:基于高斯图形模型的变量聚类稳健贝叶斯模型选择(2020)
  2. 金,英色;高超:图结构稀疏的贝叶斯模型选择(2020)
  3. 基斯纳,丹尼尔;SANó, 布鲁诺:大空间数据集的多尺度散弹枪随机搜索(2020)
  4. 杨新明;Narisetty,Naveen N.:一致性群体选择与贝叶斯高维建模(2020)
  5. 多布拉,阿德里安;瓦尔卡米洛;阿杰迪奇,德拉加纳;克拉克,贝特朗;克拉克,詹妮弗:微生物群落建模协会与集团对数线性模型(2019)
  6. Narisetty,纳文·N。;沈娟;何旭明:《瘦吉布斯:模型选择的一致性和可扩展性Gibbs采样器》(2019)
  7. 金,俊云;林,约翰;金永代;Jang,Woncheol:具有强遗传约束的贝叶斯变量选择(2018)
  8. 反渗透č科夫á, Veronika:变量选择的粒子EM(2018)
  9. 帕帕托马斯,米哈伊尔;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优势和局限性》(2016)
  10. 卡斯蒂略,伊斯马ël;施密特·希伯,约翰内斯;van der Vart,Aad:稀疏先验贝叶斯线性回归(2015)
  11. 艾略特,格雷厄姆;加加诺,安东尼奥;Timmermann,Allan:具有大维预测值集的完全子集回归(2015)
  12. 高希,乔伊;谭爱新:贝叶斯变量选择的三明治算法(2015)
  13. 蓬帕蓬,维塔拉;张敏;张大宝:使用迭代条件模式/中值算法选择大量变量(2015)
  14. 布莱奇,贾斯汀;卡佩纳,亚当;乔治,爱德华一世。;Jensen,Shane T.:BART的变量选择:基因调控的应用(2014)
  15. 艾略特,格雷厄姆;加加诺,安东尼奥;Timmermann,Allan:完全子集回归(2013)
  16. 加塞ía-多纳托,G。;市场í尼兹·贝尼托,M。A、 :大模型空间贝叶斯变量选择问题中的抽样策略(2013)
  17. 本杰明·盖德;Alquier,Pierre:稀疏加性模型中的PAC贝叶斯估计和预测(2013)
  18. 佩特里亚斯,阿塔纳西奥斯;Dellaportas,Petros:回归问题的MCMC模型搜索算法(2013)
  19. 特恩布尔,布拉德利;Ghosal,Subhashis;张浩海伦:用正交回归技术进行迭代选择(2013)
  20. 伍德沃德,道恩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)