Generalized Bayesian Additive Regression Trees Models: Beyond Conditional Conjugacy
广义贝叶斯加性回归树：突破条件共轭限制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：摘要为通用贝叶斯回归算法扩展，异方差示例不足以归为金融波动率研究。
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
广义贝叶斯加性回归树：突破条件共轭限制
- 研究问题
- 如何将贝叶斯加性回归树扩展到不具备条件共轭结构的模型，同时保留贝叶斯不确定性量化和可实施的拟合方法？
- 方法与思路
- 作者提出无需调节参数的可逆跳跃 MCMC 算法，要求能够计算似然，并可选用梯度与 Fisher 信息，展示多类广义模型。
- 材料陈述的贡献
- 摘要称该算法扩大 BART 的适用范围，给出生存分析、结构化异方差回归和伽马形状回归示例，减少对条件共轭的依赖。
- 阅读关注点
- 应核对可逆跳跃提议与接受步骤、先验及树结构设置，并检查不同似然下的链混合、计算成本和不确定性量化表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；计算效率、收敛诊断和适用似然的详细限制未说明，不能推断刊本变化。
原文摘要
Bayesian additive regression trees have seen increased interest in recent years due to their ability to combine machine learning techniques with principled uncertainty quantification. The Bayesian backfitting algorithm used to fit BART models, however, limits their application to a small class of models for which conditional conjugacy exists. In this article, we greatly expand the domain of applicability of BART to arbitrary generalized BART models by introducing a very simple, tuning-parameter-free, reversible jump Markov chain Monte Carlo algorithm. Our algorithm requires only that the user be able to compute the likelihood and (optionally) its gradient and Fisher information. The potential applications are very broad; we consider examples in survival analysis, structured heteroscedastic regression, and gamma shape regression. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.