論文の概要: Handling bounded response in high dimensions: a Horseshoe prior Bayesian Beta regression approach

• arxiv url: http://arxiv.org/abs/2505.22211v1
• Date: Wed, 28 May 2025 10:39:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.554324
• Title: Handling bounded response in high dimensions: a Horseshoe prior Bayesian Beta regression approach
• Title（参考訳）: 高次元における有界応答のハンドリング--ベイズベータ回帰法によるホースシュー
• Authors: The Tien Mai,
• Abstract要約: 本稿では, 後部をテーパー化した高次元スパースベータ回帰フレームワークに対するベイズ的手法を提案する。 私たちのメソッドは、Githubで利用可能なRパッケージbetaregbayesで実装されています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Bounded continuous responses -- such as proportions -- arise frequently in diverse scientific fields including climatology, biostatistics, and finance. Beta regression is a widely adopted framework for modeling such data, due to the flexibility of the Beta distribution over the unit interval. While Bayesian extensions of Beta regression have shown promise, existing methods are limited to low-dimensional settings and lack theoretical guarantees. In this work, we propose a novel Bayesian approach for high-dimensional sparse Beta regression framework that employs a tempered posterior. Our method incorporates the Horseshoe prior for effective shrinkage and variable selection. Most notable, we propose a novel Gibbs sampling algorithm using P\'olya-Gamma augmentation for efficient inference in Beta regression model. We also provide the first theoretical results establishing posterior consistency and convergence rates for Bayesian Beta regression. Through extensive simulation studies in both low- and high-dimensional scenarios, we demonstrate that our approach outperforms existing alternatives, offering improved estimation accuracy and model interpretability. Our method is implemented in the R package ``betaregbayes" available on Github.
• Abstract（参考訳）: 気候学、生物統計学、ファイナンスを含む様々な科学分野において、比率のような境界付けられた連続的な反応が頻繁に発生する。 ベータレグレッションは、ユニットインターバルを越えたベータ分布の柔軟性のために、そのようなデータをモデリングするための広く採用されているフレームワークである。 ベータ回帰のベイズ拡張は有望であるが、既存の手法は低次元の設定に限定され、理論的な保証がない。 本研究では,高次元の疎度ベータ回帰フレームワークのための新しいベイズ的手法を提案する。 本手法は,効率的な縮小と可変選択に先立ってホースシューを組み込む。 最も注目すべきは、ベータ回帰モデルにおける効率的な推論のためのP\'olya-Gamma拡張を用いた新しいギブスサンプリングアルゴリズムを提案することである。 また、ベイズベータ回帰に対する後続の一貫性と収束率を確立するための最初の理論的結果も提供する。 低次元シナリオと高次元シナリオの両方における広範囲なシミュレーション研究を通じて,提案手法が既存の手法よりも優れており,推定精度とモデル解釈可能性が改善されていることを実証した。 本手法はGithubで公開されているRパッケージ ``betaregbayes' に実装されている。

関連論文リスト

• High-dimensional Bayesian Tobit regression for censored response with Horseshoe prior [0.0]
  本稿では,高次元Tobitレグレッションのための新しいフレームワークを提案する。 高次元のベイズトビットモデルに対する最初の理論的結果を与えるため、後方整合性を確立し、疎度下で濃度率を導出する。
  論文  参考訳（メタデータ） (2025-05-13T07:05:27Z)
• Fast post-process Bayesian inference with Variational Sparse Bayesian Quadrature [13.36200518068162]
  本稿では,既存の目標密度評価から高速な後続近似を得る手段として,プロセス後ベイズ推定の枠組みを提案する。 この枠組みでは,ブラックボックスと潜在的ノイズの可能性のあるモデルに対して,プロセス後近似推定法である変分スパースベイズ近似(VSBQ)を導入する。 本手法は,計算神経科学による難解な合成シナリオと実世界の応用について検証する。
  論文  参考訳（メタデータ） (2023-03-09T13:58:35Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• A flexible empirical Bayes approach to multiple linear regression and connections with penalized regression [8.663322701649454]
  大規模多重回帰に対する新しい経験的ベイズ手法を提案する。 当社のアプローチでは、フレキシブルな"適応縮小"と変分近似の2つの主要なアイデアが組み合わさっている。 提案手法では, 後進平均値がペナル化回帰問題を解く。
  論文  参考訳（メタデータ） (2022-08-23T12:42:57Z)
• Quasi Black-Box Variational Inference with Natural Gradients for Bayesian Learning [84.90242084523565]
  複素モデルにおけるベイズ学習に適した最適化アルゴリズムを開発した。 我々のアプローチは、モデル固有導出に制限のある効率的なトレーニングのための一般的なブラックボックスフレームワーク内の自然な勾配更新に依存している。
  論文  参考訳（メタデータ） (2022-05-23T18:54:27Z)
• Human Pose Regression with Residual Log-likelihood Estimation [48.30425850653223]
  本稿では,Residual Log-likelihood Estimation (RLE) を用いた新たな回帰パラダイムを提案する。 RLEは、トレーニングプロセスを容易にするために、未参照の基盤となる分布ではなく、分布の変化を学習する。 従来の回帰パラダイムと比較して、RLEによる回帰はテスト時間オーバーヘッドを伴わずに、MSCOCOに12.4mAPの改善をもたらす。
  論文  参考訳（メタデータ） (2021-07-23T15:06:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。