.png){kind=icon}
.png){kind=icon}
返回
Auto-Encoding Variational Bayesian Inference in High-Dimensional Skew-Normal Linear Mixed Models
.png){kind=icon}
PRE
AI
DOI：10.1007/s11424-026-5387-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高维线性混合模型广泛应用于纵向数据分析，但其对正态性假设的依赖性常限制其在心理测量和生物医学领域的适用性。为解决此问题，作者提出高维偏态正态线性混合模型，并开发了一种新颖的变分贝叶斯方法，该方法整合尖峰与基板Lasso先验以实现参数估计与变量选择的同步。为处理联合后验的依赖性，作者提出使用变分自编码器提取潜在特征，并采用坐标上升算法优化证据下界（ELBO），以规避不可解积分。模型比较通过贝叶斯因子进行，该因子通过ELBO近似。所提方法的有效性通过模拟研究和真实数据应用得到验证。
Keyword:
Evidence lower bound
skew normal linear mixed model
spike-and-slab priors
variational auto-encoder
variational Bayesian inference