实体
Spike-and-slab variable selection
Spike-and-slab variable selection
PulseAugur coverage of Spike-and-slab variable selection — every cluster mentioning Spike-and-slab variable selection across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
LLM Sparsity Prior 改进特征选择鲁棒性
研究人员开发了一种名为 LLM Sparsity Prior (LSP) 的新方法，利用大型语言模型来改进高维数据集中的特征选择。LSP 解决了现有 LLM 驱动方法对模型生成权重质量敏感的问题，这种敏感性会在权重不准确时降低性能。新框架量化权重质量，并将这些权重整合到统计模型中，从而能够动态地折价误导性信息以增强鲁棒性。LSP 在医学数据集上，尤其是在数据稀疏的情况下，已证明了其预测准确性的提高和临床相关特征的识别能力。
-
贝叶斯方法在预测和不确定性方面优于经典稀疏回归
一项新的基准研究评估了六种稀疏回归方法，将 Lasso 等经典方法与 Horseshoe 和 Spike-and-Slab 等贝叶斯技术进行了比较。研究发现，贝叶斯方法通常能提供更优的预测误差和更准确的不确定性估计，其中 Horseshoe 先验实现了接近名义的覆盖率。然而，在变量选择方面，Lasso 和 Spike-and-Slab 的表现相当，这表明当不需要完整的后验估计时，Lasso 仍然是一个实用的选择。