Adaptive random neighbourhood informed Markov chain Monte Carlo for high-dimensional Bayesian variable selection
Adaptive random neighbourhood informed Markov chain Monte Carlo for high-dimensional Bayesian variable selection
复制标题
用于高维贝叶斯变量选择的自适应随机邻域通知马尔可夫链蒙特卡罗
DOI：
10.1007/s11222-022-10137-8
复制
发表时间：
2022
影响因子：
2.2
通讯作者：
Liang X
中科院分区：
文献类型：
--
作者：
Liang X
我们引入了一个针对离散值高维分布的高效马尔可夫链蒙特卡罗算法框架，例如贝叶斯变量选择问题中的后验分布。我们展示了许多最近引入的算法，例如 Zanella 的本地通知采样器（J Am Stat Assoc 115(530):852–865, 2020）、Zhou 等人的带有阈值提案的本地通知。 （高维贝叶斯变量选择的无维混合，2021）和 Griffin 等人的自适应缩放个体适应采样器。 （Biometrika 108(1):53–69, 2021），可以被视为框架内的特殊案例。然后，我们描述了一种新颖的算法，即自适应随机邻域通知采样器，它结合了这些现有方法的思想。我们使用真实数据集和模拟数据集的几个示例表明，计算高效的逐点实现（PARNI）可以对一系列变量选择问题（特别是在非常大的环境中）提供更可靠的推论。
We introduce a framework for efficient Markov chain Monte Carlo algorithms targeting discrete-valued high-dimensional distributions, such as posterior distributions in Bayesian variable selection problems. We show that many recently introduced algorithms, such as the locally informed sampler of Zanella (J Am Stat Assoc 115(530):852–865, 2020), the locally informed with thresholded proposal of Zhou et al. (Dimension-free mixing for high-dimensional Bayesian variable selection, 2021) and the adaptively scaled individual adaptation sampler of Griffin et al. (Biometrika 108(1):53–69, 2021), can be viewed as particular cases within the framework. We then describe a novel algorithm, theadaptive random neighbourhood informedsampler, which combines ideas from these existing approaches. We show using several examples of both real and simulated data-sets that a computationally efficient point-wise implementation (PARNI) provides more reliable inferences on a range of variable selection problems, particularly in the very largepsetting.
登录
查看更多内容
DOI：
10.1214/19-aos1916
发表时间：
2018-12
期刊：
The Annals of Statistics
影响因子：
--
作者：
E. Pompe;C. Holmes;K. Latuszy'nski
通讯作者：
E. Pompe;C. Holmes;K. Latuszy'nski
影响因子：
1.8
作者：
K. Latuszy'nski;G. Roberts;J. Rosenthal
通讯作者：
K. Latuszy'nski;G. Roberts;J. Rosenthal
影响因子：
3.7
作者：
Kolyan Ray;Botond Szabó
通讯作者：
Botond Szabó
糟糕，我采用了梯度：离散分布的可扩展采样
DOI：
10.1111/rssa.12630
发表时间：
2021
期刊：
ArXiv
影响因子：
--
作者：
Will Grathwohl;Kevin Swersky;Milad Hashemi;D. Duvenaud;Chris J. Maddison
通讯作者：
Chris J. Maddison
贝叶斯块对角变量选择和模型平均。
影响因子：
2.7
作者：
Papaspiliopoulos,O;Rossell,D
通讯作者：
Rossell,D