Neural Network Machine Regression (NNMR): A Deep Learning Framework for Uncovering High-order Synergistic Effects
神经网络机器回归：揭示高阶协同效应的深度学习框架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：摘要聚焦神经网络回归、特征选择与置换推断方法，并应用于营养流行病学数据，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择任何细分。
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…
关注这篇论文的作者
神经网络机器回归：揭示高阶协同效应的深度学习框架
- 研究问题
- 摘要称，研究旨在提出一个能同时进行特征选择与函数估计、并刻画高阶协同效应的神经网络框架，并在不依赖严格参数假设的前提下实现有效的后选择推断。
- 方法与思路
- 作者提出 NNMR，将可训练输入门控与自适应深度正则化整合进端到端框架，通过对门控参数与冗余层施加惩罚获得稀疏可解释结构；并基于分样本、置换检验构建后选择推断程序。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：NNMR 可高效扩展至高维特征空间，在控制第一类错误的同时保持推断有效性；模拟研究显示其选择准确性与推断可靠性更优；实证应用识别出与墨西哥城青少年体格生长相关的稀疏食物组预测变量。
- 阅读关注点
- 阅读全文时应核对：门控与深度正则化的具体形式及调参方式；置换检验的零假设、分样本划分与有效性条件；第一类错误控制的理论依据；模拟设计是否覆盖高维与协同效应情形；实证数据来源、变量构造与结果稳健性。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理条件、模拟与实证的具体数值结果及与基准方法的可比性；摘要未说明推断的渐近性质与适用范围。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We propose a new neural network framework, termed Neural Network Machine Regression (NNMR), which integrates trainable input gating and adaptive depth regularization to jointly perform feature selection and function estimation in an end-to-end manner. By penalizing both gating parameters and redundant layers, NNMR yields sparse and interpretable architectures while capturing complex nonlinear relationships driven by high-order synergistic effects. We further develop a post-selection inference procedure based on split-sample, permutation-based hypothesis testing, enabling valid inference without restrictive parametric assumptions. Compared with existing methods, including Bayesian kernel machine regression and widely used post hoc attribution techniques, NNMR scales efficiently to high-dimensional feature spaces while rigorously controlling type I error. Simulation studies demonstrate its superior selection accuracy and inference reliability. Finally, an empirical application reveals sparse, biologically meaningful food group predictors associated with somatic growth among adolescents living in Mexico City.