Multivariate Lévy Adaptive B-Spline Regression
多元Lévy自适应B样条回归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：摘要主题为贝叶斯非参数回归的基函数表示与MCMC计算，未涉及所给微观、宏观或金融领域细分中的具体经济问题，故不选择任何领域细分。
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…
关注这篇论文的作者
多元Lévy自适应B样条回归
- 研究问题
- 摘要称，本文研究如何对多元回归函数中的非线性效应、交互作用与局部变化特征进行贝叶斯非参数建模，并在高维与复杂局部结构下保持稀疏表示。
- 方法与思路
- 作者提出MLABS，将回归函数表示为低阶张量积B样条基函数的随机和，置于有限Lévy随机测度先验之下；后验推断采用可逆跳MCMC，结合贝叶斯回填、塌缩跨维更新与残差引导提议。
- 材料陈述的贡献
- 摘要称该表示能自适应回归函数的复杂度与局部结构并倾向稀疏基；作者给出低阶交互与异质光滑度函数的逼近界，将逼近精度与基项数联系起来，并在模拟、基准真实数据与环境混合应用中报告有竞争力的预测表现。
- 阅读关注点
- 阅读全文时应核对：Lévy随机测度先验的具体构造与稀疏机制；可逆跳MCMC各更新步骤的接受率与混合诊断；逼近界所依赖的函数光滑度与交互阶数假设；模拟与真实数据中对比方法、评价指标及高维设定；环境混合应用中与贝叶斯核机器回归比较的计算成本口径。
- 阅读边界
- 仅凭摘要无法判断先验识别条件、逼近界的完整假设与证明细节、MCMC收敛性、模拟与真实数据的具体数值结果，以及“计算成本更低”的度量方式；摘要未说明这些内容。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
We propose Multivariate Lévy Adaptive B-Spline Regression (MLABS), a Bayesian nonparametric regression model designed to capture nonlinear effects, interactions, and locally varying features of multivariate functions. MLABS represents the regression function as a random sum of low-order tensor-product B-spline basis functions under a finite Lévy random measure prior. The resulting representation adapts to the complexity and local structure of the regression function while favoring a sparse basis representation. For posterior inference, we develop a reversible-jump Markov chain Monte Carlo (MCMC) algorithm with Bayesian backfitting, collapsed trans-dimensional updates, and residual-guided proposals. These computational strategies are designed to improve posterior exploration across basis configurations of varying dimensions and structures. We also establish approximation bounds for functions with low-order interactions and heterogeneous smoothness. These bounds relate approximation accuracy to the number of basis terms. Simulation studies show that MLABS achieves competitive predictive performance across a wide range of regression settings, including high-dimensional problems. MLABS also demonstrates robust predictive performance across benchmark real datasets. In an environmental-mixture application, it attains predictive accuracy comparable to Bayesian kernel machine regression at substantially lower computational cost.