Bagged Polynomial Regression and Neural Networks
袋装多项式回归与神经网络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：摘要主体是环境遥感中的通用高维预测与风险界，边际效应并未被明确赋予因果解释，也缺少给定其他细分领域的依据。
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
袋装多项式回归与神经网络
- 研究问题
- 在气候和环境高维预测中，能否用便于审查的多项式集成替代神经网络，并通过协变量分组控制基函数字典增长和预测风险？
- 方法与思路
- 作者提出带随机投影的袋装多项式回归，对随机协变量组上的正则化低阶模型求平均，分析风险界并开展卫星作物分类比较。
- 材料陈述的贡献
- 摘要称，该方法具有新的有限样本与渐近风险界，在作物分类中达到神经网络相近准确率，并提供系数汇总和偏依赖诊断。
- 阅读关注点
- 应核对协变量划分如何改善收敛率、目标函数光滑性条件，以及分类比较的调参与测试设计、边际效应估计改善的具体依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出风险界形式和准确率数值，单一应用不能确立普遍预测优势。
原文摘要
Climate and environmental applications increasingly rely on high-dimensional prediction from remote sensing and other scientific data. Neural networks (NN) can deliver strong accuracy in these settings, but they are often hard to audit and hard to align with domain knowledge. As an alternative, we propose bagged polynomial regression with random projections (BPR), an econometrics-native ensemble that averages many regularized low-degree polynomial models fit on randomly selected covariate groups. We provide novel finite-sample and asymptotic risk bounds and show how covariate partitioning can improve rates for smooth target functions by controlling dictionary basis growth. Rate improvements may be particularly relevant for the estimation of marginal effects. In an application to satellite-based crop classification using optical and radar imagery, BPR matches NN accuracy while remaining straightforward to diagnose. We provide practical transparency tools, coefficient summaries and partial-dependence diagnostics, that show BPR captures intuitive feature relationships that NNs do not.