.png){kind=icon}
返回
Empirical Bayes for data integration
.png){kind=icon}
OA
AI
DOI：10.1007/s11749-026-01019-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们讨论经验贝叶斯在数据整合中的应用，即从迁移学习的角度。我们的主要兴趣在于以下场景：希望学习结构（例如特征选择），但只能获取先前研究中的不完整数据，如摘要、估计值或相关特征列表。我们讨论了全贝叶斯与经验贝叶斯的差异，并为此开发了一个计算框架。我们探讨了经验贝叶斯如何在比全贝叶斯及其他标准准则更弱的条件（稀疏性和betamin假设）下实现一致的变量选择，以及如何实现更快的收敛速率。我们的高维回归示例表明，全贝叶斯推断具有优良特性，而经验贝叶斯的数据整合在实践中可以提供适度但有意义改进。
Keyword:
Data integration
Transfer learning
Empirical Bayes
Frequentist properties
Variable selection
期刊
T
IF:
1.3
论文数:
32
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容