TrIM: Transformed Iterative Mondrian Forests for Gradient-based Dimension Reduction and High-Dimensional Regression
TrIM：变换迭代蒙德里安森林用于梯度降维与高维回归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：摘要聚焦蒙德里安森林、EGOP 与高维回归的统计方法，未涉及所给因果推断、面板、时间序列、资产定价等细分领域的文本依据，故不选择任何细分方向。
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…
TrIM：变换迭代蒙德里安森林用于梯度降维与高维回归
- 研究问题
- 摘要称，研究如何以计算高效的方式实现基于梯度的线性降维与高维回归，即从输入中识别与回归函数相关的特征子空间。
- 方法与思路
- 作者提出先估计蒙德里安森林，再由回归函数期望梯度外积（EGOP）的估计识别相关特征子空间；并引入变换迭代蒙德里安（TrIM）森林，用 EGOP 估计更新蒙德里安划分所用的特征集与权重。
- 材料陈述的贡献
- 摘要称，作者给出了 EGOP 矩阵估计以及 TrIM 算法一次迭代所得随机森林估计的一致性保证与收敛速率，并在模拟与真实数据上展示了该方法学习相关特征子空间的有效性。
- 阅读关注点
- 阅读全文时应核对：EGOP 的识别条件与估计细节、一致性结论所依赖的假设、收敛速率的具体形式、迭代次数与计算成本的权衡，以及模拟与真实数据实验的设计和评价标准。
- 阅读边界
- 该摘要为 arXiv 预印本（版本 2），未经同行评审验证，不能据此声称已被期刊接收；摘要未说明具体假设、速率数值、数据来源与实验规模，也未给出与替代方法的系统比较。
原文摘要
We propose a computationally efficient algorithm for gradient-based linear dimension reduction and high-dimensional regression. The algorithm initially computes a Mondrian forest and uses this estimator to identify a relevant feature subspace of the inputs from an estimate of the expected gradient outer product (EGOP) of the regression function. In addition, we introduce an iterative approach known as Transformed Iterative Mondrian (TrIM) forest to improve the Mondrian forest estimator by using the EGOP estimate to update the set of features and weights used by the Mondrian partitioning mechanism. We obtain consistency guarantees and convergence rates for estimating the EGOP matrix and the random forest estimator obtained from one iteration of the TrIM algorithm. Lastly, we demonstrate the effectiveness of our proposed algorithm for learning the relevant feature subspace across various settings with both simulated and real data.