Integrating Complex Covariate Transformations in Generalized Additive Models
在广义可加模型中整合复杂协变量变换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：摘要明确以英国净电力需求预测作为应用之一，属于预测与即时预测方向；另一应用为房价建模，未直接对应所列其他细分领域。
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…
在广义可加模型中整合复杂协变量变换
- 研究问题
- 如何把可解释的协变量变换直接嵌入多参数广义可加模型的建模阶段，而非仅作为数据预处理步骤，从而在保持可解释性的同时处理高维复杂协变量。
- 方法与思路
- 作者提出一个通用框架，将任意足够可微的标量值协变量变换作为模型组成部分，其参数与回归系数通过最大后验方法联合估计，并用近似贝叶斯技术量化联合不确定性；平滑参数在经验贝叶斯框架下借助边缘似然的拉普拉斯近似选取，计算基于隐式微分。
- 材料陈述的贡献
- 摘要称该框架可容纳高维复杂协变量的可微变换，并将变换参数与回归系数联合估计、联合不确定性量化；通过英国净电力需求预测与伦敦房价建模两个应用展示其灵活性与实用价值，并提供 gamFactory R 包及复现代码。
- 阅读关注点
- 应核对变换的具体参数化与可识别性条件、MAP 与近似贝叶斯推断的理论保证、拉普拉斯近似与隐式微分的计算细节，以及两个应用中的预测评估方式与基准比较是否支持摘要所述结论。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；这是预印本，不能据此声称已通过同行评审或期刊接收。摘要未说明识别假设、定理、模拟设计、具体数值结果与比较基准，也未说明方法的失败情形与计算复杂度。
原文摘要
Transformations of covariates are widely used in applied statistics to improve interpretability and to satisfy assumptions required for valid inference. More broadly, feature engineering encompasses a wider set of practices aimed at enhancing predictive performance, and is typically performed as part of a data pre-processing step. In contrast, this paper integrates a substantial component of the feature engineering process directly into the modelling stage. This is achieved by introducing a novel general framework for embedding interpretable covariate transformations within multi-parameter Generalised Additive Models (GAMs). Our framework accommodates any sufficiently differentiable scalar-valued transformation of potentially high-dimensional and complex covariates. These transformations are treated as integral model components, with their parameters estimated jointly with regression coefficients via maximum a posteriori (MAP) methods, and joint uncertainty quantified via approximate Bayesian techniques. Smoothing parameters are selected in an empirical Bayes framework using a Laplace approximation to the marginal likelihood, supported by efficient computation based on implicit differentiation methods. We demonstrate the flexibility and practical value of the proposed methodology through applications to forecasting electricity net-demand in Great Britain and to modelling house prices in London. Methods for building and fitting GAMs with nested transformations are provided by the gamFactory R package, available at https://github.com/mfasiolo/gamFactory, while the code for reproducing the results in this paper is available at https://doi.org/10.5281/zenodo.19239350.