Empirical Likelihood for Random Forests and Ensembles
随机森林与集成方法的经验似然推断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：摘要研究通用集成学习的不确定性推断，未明确对应所列应用领域或计量细分。
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…
随机森林与集成方法的经验似然推断
- 研究问题
- 如何用经验似然量化随机森林和相关集成预测的不确定性？当集成中的子抽样较稀疏时，统计量的枢轴性与区间覆盖会怎样变化？
- 方法与思路
- 作者利用集成预测的不完全 U 统计量结构构造经验似然统计量，并在更稀疏的子抽样情形下通过简单调整恢复枢轴性。
- 材料陈述的贡献
- 摘要称，子抽样不太稀疏时统计量渐近服从卡方分布，稀疏时原方法趋于过覆盖；修正经验似然的理论与模拟支持其覆盖表现。
- 阅读关注点
- 应核对子抽样稀疏程度的界定、诚实随机森林的具体条件、修正项及卡方自由度，并检查覆盖率比较、计算成本和有限样本设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未列出稀疏阈值、完整正则条件或模拟数值，不能推广至任意随机森林实现。
原文摘要
We develop an empirical likelihood (EL) framework for random forests and related ensemble methods, providing a likelihood-based approach to quantify their statistical uncertainty. Exploiting the incomplete $U$-statistic structure inherent in ensemble predictions, we construct an EL statistic that is asymptotically chi-squared when subsampling induced by incompleteness is not overly sparse. Under sparser subsampling regimes, the EL statistic tends to over-cover due to loss of pivotality; we therefore propose a modified EL that restores pivotality through a simple adjustment. Our method retains key properties of EL while remaining computationally efficient. Theory for honest random forests and simulations demonstrate that modified EL achieves accurate coverage and practical reliability relative to existing inference methods.