Neural networks meet random forests
神经网络与随机森林的融合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：摘要研究通用机器学习回归与梯度学习，未明确对应所列经济计量应用方向。
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
神经网络与随机森林的融合
- 研究问题
- 如何在非参数回归中结合随机森林的局部适应能力和神经网络的全局逼近能力，并分析估计误差与收敛速率？
- 方法与思路
- 作者提出由随机森林提供局部增强的神经网络估计量，基于经验风险最小化及 U 过程理论分析误差，并开展梯度学习。
- 材料陈述的贡献
- 摘要称，方法具有非渐近误差界，并可通过适当网络结构达到近极小极大速率；模拟和实际应用被报告为支持性能优势。
- 阅读关注点
- 应核对森林与网络的具体结合方式、误差界对应的函数类与假设，以及近极小极大速率和性能比较的基准条件。
- 阅读边界
- 仅据 Crossref 摘要；未列出具体速率、网络结构、基准或数值，作者所述优势不能据此推广到所有数据与任务。
原文摘要
Abstract Neural networks and random forests are popular and promising tools for machine learning. This article explores the proper integration of these two approaches for nonparametric regression to improve the performance of a single approach. Specifically, we propose a neural network estimator with local enhancement provided by random forests. It naturally synthesizes the local relation adaptivity of random forests and the strong global approximation ability of neural networks. Based on the classical empirical risk minimization framework, we establish a nonasymptotic error bound for the estimator. By utilizing advanced U-process theory and an appropriate network structure, we can further improve the convergence rate to the nearly minimax rate. Also with the assistance of random forests, we can implement gradient learning with neural networks. Comprehensive simulation studies and real data applications demonstrate the superiority of our proposal.