Smoothing Spline Gaussian Regression: More Scalable Computation via Efficient Approximation
平滑样条高斯回归：通过有效近似实现更可扩展的计算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：摘要讨论通用非参数回归计算，未指定所列经济计量细分方向。
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
平滑样条高斯回归：通过有效近似实现更可扩展的计算
- 研究问题
- 高斯响应的平滑样条计算受样本规模限制时，如何通过低维近似提高可扩展性，同时保留渐近效率并改进平滑参数选择？
- 方法与思路
- 作者研究惩罚最小二乘样条的低维近似，给出算法和对应贝叶斯模型，以模拟选择近似空间维数，并评估广义交叉验证修改。
- 材料陈述的贡献
- 摘要称近似具有同等渐近效率，对应贝叶斯模型支持区间构造，且简单修改可在较大程度上缓解广义交叉验证的欠平滑。
- 阅读关注点
- 应核对近似空间的构造与维数规则、效率等价的条件和计算成本、贝叶斯区间的性质，以及交叉验证修改的适用范围。
- 阅读边界
- 仅据所给 Crossref 摘要；未说明近似算法的具体复杂度、误差界和区间覆盖率，渐近效率不意味着有限样本完全等同精确解。
原文摘要
Summary Smoothing splines via the penalized least squares method provide versatile and effective nonparametric models for regression with Gaussian responses. The computation of smoothing splines is generally of the order O(n3), n being the sample size, which severely limits its practical applicability. We study more scalable computation of smoothing spline regression via certain low dimensional approximations that are asymptotically as efficient. A simple algorithm is presented and the Bayes model that is associated with the approximations is derived, with the latter guiding the porting of Bayesian confidence intervals. The practical choice of the dimension of the approximating space is determined through simulation studies, and empirical comparisons of the approximations with the exact solution are presented. Also evaluated is a simple modification of the generalized cross-validation method for smoothing parameter selection, which to a large extent fixes the occasional undersmoothing problem that is suffered by generalized cross-validation.