GS-BART: Bayesian Additive Regression Trees with Graph-Split Decision Rules
GS-BART：采用图分裂决策规则的贝叶斯加性回归树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：摘要明确针对图结构依赖，并将方法用于网络数据分析。
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
GS-BART：采用图分裂决策规则的贝叶斯加性回归树
- 研究问题
- 对于具有图结构依赖的空间与网络数据，如何改进传统轴平行分裂的贝叶斯回归树，使分裂规则适应数据拓扑？
- 方法与思路
- 作者将输入特征编码为候选图集合，以尊重图拓扑的规则构建回归树，并设计结合梯度递归计算的可扩展 MCMC 算法。
- 材料陈述的贡献
- 摘要称 GS-BART 支持广义非参数回归，在空间与网络数据的回归和分类任务中，实验表现优于所比较的树模型及高斯过程模型。
- 阅读关注点
- 应核对候选图如何构造、图分裂规则与先验如何定义，以及 MCMC 的计算规模、混合表现和比较实验的公平性。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；未报告普遍性能保证或具体比较结果，图结构预测也不等于干扰效应识别，不能推断刊本变化。
原文摘要
Ensemble decision tree methods such as XGBoost, Random Forest, and Bayesian Additive Regression Trees (BART) have gained enormous popularity in data science for their superior performance in machine learning regression and classification tasks. In this paper, we introduce a new Bayesian graph-split additive decision tree method, GS-BART, designed to enhance the performance of axis-parallel split-based BART for dependent data with graph structures. The proposed approach encodes input feature information into candidate graph sets and employs a flexible split rule that respects the graph topology when constructing decision trees. We consider a generalized nonparametric regression model using GS-BART and design a scalable informed MCMC algorithm to sample the decision trees of GS-BART. The algorithm leverages a gradient-based recursive algorithm on root directed spanning trees or chains. The superior performance of the method over conventional ensemble tree models and Gaussian process regression models is illustrated in various regression and classification tasks for spatial and network data analysis.