Bayesian hierarchical stacking: Some models are (somewhere) useful
贝叶斯层级堆叠：某些模型在某些区域有用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：摘要核心是通用贝叶斯预测组合，虽提及时间序列和纵向数据，但未明确宏观预测或面板计量目标，分类证据不足。
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…
贝叶斯层级堆叠：某些模型在某些区域有用
- 研究问题
- 当候选模型的预测表现随输入位置变化时，如何让模型平均权重适应这种异质性，并通过部分汇聚改善预测组合？
- 方法与思路
- 作者把堆叠推广为贝叶斯层级模型，使权重随数据变化并进行部分汇聚，同时纳入离散与连续输入、结构先验及序列数据。
- 材料陈述的贡献
- 摘要称提出贝叶斯层级堆叠，推导理论界并展示多个应用，以说明利用模型表现的输入异质性可以改善预测混合。
- 阅读关注点
- 应核对权重依赖哪些信息、层级先验与汇聚如何设定，以及理论界的条件；检查预测评价是否避免训练与验证信息混用。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明理论界、比较设置与改进幅度，不能认定方法普遍占优。
原文摘要
Stacking is a widely used model averaging technique that asymptotically yields optimal predictions among linear averages. We show that stacking is most effective when model predictive performance is heterogeneous in inputs, and we can further improve the stacked mixture with a hierarchical model. We generalize stacking to Bayesian hierarchical stacking. The model weights are varying as a function of data, partially-pooled, and inferred using Bayesian inference. We further incorporate discrete and continuous inputs, other structured priors, and time series and longitudinal data. To verify the performance gain of the proposed method, we derive theory bounds, and demonstrate on several applied problems.