PulseAugur
中
实时 03:00:32

新的SGMCMC算法增强了用于大型数据集的贝叶斯GLMM分析

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的随机梯度马尔可夫链蒙特卡洛（SGMCMC）算法，用于贝叶斯广义线性混合模型（GLMM）。该新方法解决了大规模GLMM应用中的计算挑战，特别是在生物医学和社会科学研究等领域。通过采用边际对数似然梯度的有偏蒙特卡洛估计量并结合事后协方差校正，该算法即使在大型数据集上也能实现准确的后验推断和校准的不确定性估计。 AI

影响 引入了一种更有效的方法来分析复杂的统计模型，可能影响依赖此类模型进行数据分析的AI研究。

排序理由 该集群包含一篇详细介绍新统计算法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的SGMCMC算法增强了用于大型数据集的贝叶斯GLMM分析

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Youngsoo Baek, Andrea Agazzi, Felipe A. Medeiros, Samuel I. Berchuck ·

    Scalable and Calibrated Sampling for Bayesian Generalized Linear Mixed Model via Stochastic Gradient Markov Chain Monte Carlo

    arXiv:2403.03007v4 Announce Type: replace-cross Abstract: Generalized linear mixed models (GLMMs) are widely used for analyzing correlated data, particularly in large-scale biomedical and social science applications. Scalable Bayesian inference for GLMMs is challenging due to an …

相关话题