×
维罗尼卡罗奇科娃；爱德华一世乔治。

EMVS：贝叶斯变量选择的EM方法。 （英语） Zbl 1367.62049号

美国统计协会。 109，第506号，828-846（2014）.
摘要：尽管随机搜索算法发展迅速，但贝叶斯变量选择方法的实用性仍然面临挑战。高维数据现在被常规分析，通常具有比观测值更多的协变量。为了扩大贝叶斯变量选择在这种高维线性回归环境中的适用性，我们提出了EMVS，这是一种基于EM算法的随机搜索的确定性替代方案，该算法利用共轭混合先验公式来快速找到后验模式。将用于发现主动预测集的尖峰和板正则化图与随后对后验模型概率的严格评估相结合，EMVS快速识别出有前途的稀疏高后验概率子模型。外部结构信息，如可能的协变量分组或网络拓扑，很容易被纳入EMVS框架。确定性退火变体可以通过减轻与变量选择先验相关的后验多模态来提高我们算法的有效性。EMVS方法的有用性在真实的高维数据上得到了证明，其中计算复杂性使得随机搜索不太实用。

引用于2评论
引用于70文件

MSC公司：

62F07型 统计排名和选择程序
2015年1月62日 贝叶斯推断

关键词：

动态后路探查；高维性；正则化图；稀疏；SSVS系统

软件：

EMVS公司
PDF格式BibTeX公司 XML格式引用
\textit{V.Ročková}和\textit{E.I.George}，J.Am.Stat.Assoc.109，No.506，828--846（2014；Zbl 1367.62049）
全文： 内政部

参考文献：

[1] Abramowitz M.，《数学函数手册》（第1版）（1972年）·Zbl 0543.33001号
[2] Berger J.，Sankhyá，A系列60，第307页–（1998年）
[3] 数字对象标识码：10.1214/10-BA523·Zbl 1330.90042号 ·doi:10.1214/10-BA523
[4] 内政部：10.1038/84792·数字对象标识代码：10.1038/84792
[5] DOI:10.1093/biomet/asq017·Zbl 1406.62021号 ·doi:10.1093/biomet/asq017
[6] 数字对象标识码：10.1214/12-AOS1029·Zbl 1257.62025号 ·doi:10.1214/12-AOS1029
[7] DOI:10.1016/j.jspi.2007.02.011·Zbl 1130.62007年 ·doi:10.1016/j.jspi.2007.02.011
[8] Dempster A.P.，《皇家统计学会杂志》39 pp 1–（1977）
[9] 内政部：10.1198/016214501753382273·Zbl 1073.62547号 ·doi:10.1198/016214501753382273
[10] 内政部：10.1109/TPAMI.2003.1227989·Zbl 05112222号 ·doi:10.1109/TPAMI.2003.1227989
[11] 内政部：10.1080/01621459.1993.10476353·doi:10.1080/016214519993.10476353
[12] 《中国统计》第7卷第339页–（1997年）
[13] George，E.I.、Rockova，V.和Lesaffre，E.M.E.H.（2013），“通过双坐标上升EM快速选择尖峰和板条变量”，顺序方法国际研讨会。
[14] Gradshteyn I.，积分系列和乘积表（第6版）（2000年）·Zbl 0981.65001号
[15] Griffin J.，变量比观测值多得多的变量选择的替代先验分布（2005）
[16] 数字对象标识码：10.1111/j.1467-842X.2011.00641.x·Zbl 1335.62047号 ·doi:10.1111/j.1467-842X.2011.00641.x
[17] DOI:10.19198/016214507000000121·兹比尔1134.62398 ·doi:10.1198/0162145000000121
[18] 内政部：10.1186/1471-2156-11-3·doi:10.1186/1471-2156-11-3
[19] 内政部：10.1214/009053604000001147·Zbl 1068.62079号 ·doi:10.1214/009053604000001147
[20] 内政部：10.1214/lnms/1215091139·doi:10.1214/lnms/1215091139
[21] Li F.，《美国统计协会杂志》，第105页，1978–（2010）
[22] 内政部：10.1198/0162145000001337·Zbl 1335.62026号 ·doi:10.1198/0162145000001337
[23] 内政部：10.1214/11-AOS917·Zbl 1231.62036号 ·doi:10.1214/11-AOS917
[24] McLachlan G.J.，《混合模型：推断和聚类应用》（2004）
[25] 数字对象标识码：10.1214/10-AOS792·Zbl 1200.62020年 ·doi:10.1214/10-AOS792
[26] 机器学习研究杂志14页567–599–（2013）
[27] 数字对象标识码：10.1091/mbc.9.12.3273·doi:10.1091/mbc.9.12.3273
[28] 内政部：10.1214/10-AOAS360·Zbl 1220.62142号 ·doi:10.1214/10-AOAS360
[29] DOI:10.1093/bioinformatics/btq690·Zbl 05891127号 ·doi:10.1093/bioinformatics/btq690
[30] DOI:10.1214/aoms/1177693528·Zbl 0222.62006号 ·doi:10.1214/aoms/1177693528
[31] DOI:10.1093/bioinformatics/bth282·doi:10.1093/bioinformatics/bth282
[32] Tibshirani R.，《皇家统计学会杂志》，B辑58，第267页–（1994）
[33] DOI:10.1016/S0893-6080（97）00133-0·doi:10.1016/S0893-6080（97）00133-0
[34] 内政部：10.1561/220000001·Zbl 1193.62107号 ·数字对象标识代码：10.1561/220000001
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。