Prediction sets for high-dimensional mixture of experts models
高维混合专家模型的预测集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：摘要涉及一般高维预测与材料应用，未明确涉及宏观预测、收益预测或所列其他方向。
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
高维混合专家模型的预测集
- 研究问题
- 在混合权重依赖特征的高维线性专家模型中，如何校正惩罚估计偏差，并构造具有覆盖保证的预测集？
- 方法与思路
- 作者针对 ℓ1 惩罚混合专家模型采用去偏程序，再通过新的区间组合策略处理混合结构，形成具有覆盖保证的预测集。
- 材料陈述的贡献
- 摘要称该方法为高维混合专家模型提供有效预测集，并通过合成示例和超导材料临界温度预测展示实际表现。
- 阅读关注点
- 应核对去偏步骤、混合成分与权重的估计条件、区间组合方式，以及覆盖保证的类型和预测集宽度评价。
- 阅读边界
- 仅据所给 Crossref 摘要；覆盖保证的具体条件和形式未说明，不能据此认定任意高维混合模型均具有可靠覆盖。
原文摘要
Abstract Large datasets make it possible to build predictive models that can capture heterogenous relationships between the response variable and features. The mixture of high-dimensional linear experts model posits that observations come from a mixture of high-dimensional linear regression models, where the mixture weights are themselves feature-dependent. In this article, we show how to construct valid prediction sets for an ℓ1-penalized mixture of experts model in the high-dimensional setting. We make use of a debiasing procedure to account for the bias induced by the penalization and propose a novel strategy for combining intervals to form a prediction set with coverage guarantees in the mixture setting. Synthetic examples and an application to the prediction of critical temperatures of superconducting materials show our method to have reliable practical performance.