Stochastic Tree Ensembles for Regularized Nonlinear Regression
用于正则化非线性回归的随机树集成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。
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：摘要讨论通用非线性回归与树算法，未明确对应所列因果、宏观预测或金融等具体领域。
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…
关注这篇论文的作者
用于正则化非线性回归的随机树集成
- 研究问题
- 如何在非线性回归中兼顾均值函数估计精度与计算速度，并改善标准贝叶斯树模型的区间估计表现？
- 方法与思路
- 作者提出加速贝叶斯加性回归树 XBART，将贝叶斯正则化和随机搜索与递归分割算法的高效计算结合。
- 材料陈述的贡献
- 摘要称其在所考察模拟中兼顾精度与速度；用其初始化 BART 可改善覆盖率，并给出单树一致性及集成链平稳分布唯一性结果。
- 阅读关注点
- 核对单树一致性和集成链平稳分布唯一性的条件、模拟比较的调参公平性，以及初始化如何影响区间覆盖和总耗时。
- 阅读边界
- 摘要未说明理论条件和具体比较数值，平稳分布唯一性也不足以判断后验近似质量。来源为版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。
原文摘要
This article develops a novel stochastic tree ensemble method for nonlinear regression, referred to as accelerated Bayesian additive regression trees, or XBART. By combining regularization and stochastic search strategies from Bayesian modeling with computationally efficient techniques from recursive partitioning algorithms, XBART attains state-of-the-art performance at prediction and function estimation. Simulation studies demonstrate that XBART provides accurate point-wise estimates of the mean function and does so faster than popular alternatives, such as BART, XGBoost, and neural networks (using Keras) on a variety of test functions. Additionally, it is demonstrated that using XBART to initialize the standard BART MCMC algorithm considerably improves credible interval coverage and reduces total run-time. Finally, two basic theoretical results are established: the single tree version of the model is asymptotically consistent and the Markov chain produced by the ensemble version of the algorithm has a unique stationary distribution.