Tree-Based Predictive Models for Noisy Input Data
面向含噪输入数据的树基预测模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦测量误差下的树基预测模型与不确定性量化，属于统计方法学与生物医学应用，未涉及所给微观、宏观或金融领域细分的具体主题，故不选择任何细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
面向含噪输入数据的树基预测模型
- 研究问题
- 摘要称，测量误差普遍存在于只能获得不精确观测的科学研究中，例如人体微生物组多样性估计；研究问题是在此类高噪声情形下，如何在更复杂灵活的预测模型中直接处理自变量测量误差，并同时获得准确预测与可靠的不确定性量化。
- 方法与思路
- 作者提出测量误差 BART（meBART），将测量误差直接纳入贝叶斯加性回归树（BART）这一对多棵决策树输出求和的贝叶斯非参数模型；并通过模拟研究评估参数估计、不确定性量化与预测表现，另用两个生物医学应用作说明。
- 材料陈述的贡献
- 摘要称，模拟研究显示在存在测量误差时，该模型能实现更准确的参数估计、更稳健的不确定性量化和更优的预测表现；并称通过两个自变量含测量误差的生物医学应用展示了方法的实用性。
- 阅读关注点
- 应核对测量误差的引入方式与识别假设、误差分布与方差是否已知或需估计、模拟设计及对比基准、评价指标，以及两个生物医学应用中误差结构的合理性；并确认理论性质与计算实现细节。
- 阅读边界
- 仅依据摘要，无法判断模型假设是否成立、模拟与应用的细节及结果稳健性，也无法核实与既有方法的比较是否公平；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Measurement error is prevalent across all domains of scientific research where only imprecise observations, rather than the true underlying values, can be obtained. For example, estimates of human microbiome diversity are based on small samples from a much larger, generally unobserved system and reflect both sampling error and technical variation. In high-noise settings like these, it becomes difficult to make accurate predictions and to summarize uncertainty. Methods have previously been proposed to accommodate measurement error in classic predictive models, such as linear regression. However, relatively little work has been done to address measurement error in more complex and flexible models. Bayesian additive regression trees (BART), a Bayesian nonparametric model that sums the output of many decision trees, offers robust predictions with built-in uncertainty quantification. In this work, we propose measurement error BART (meBART), a novel extension to the BART model that directly incorporates measurement error in the independent variable(s). Through simulation studies, we show that in the presence of measurement error, our model enables more accurate parameter estimation, more robust uncertainty quantification, and superior predictive performance. We illustrate the utility of our proposed approach through two biomedical applications where the predictors of interest are subject to measurement error.