Seeing the Forest for the Trees: The Gaussian Process Limit of BART
见树亦见林：BART 的高斯过程极限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：核心内容是通用回归与机器学习理论，因果应用的提及不足以确定专门的计量细分。
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
见树亦见林：BART 的高斯过程极限
- 研究问题
- 当贝叶斯加性回归树的树数量趋于无穷时，其极限模型是什么，能否借此解释学习表现并构造计算更方便的近似方法？
- 方法与思路
- 作者研究 BART 的高斯过程极限及对应核和再生核希尔伯特空间，随后用随机树特征近似该过程，并分析特征上的岭回归。
- 材料陈述的贡献
- 摘要称随机树特征上的岭回归具有极小极大最优学习率，维度依赖仅为对数级，并可将这种近似用于含线性预测子的模型。
- 阅读关注点
- 应核对树先验及缩放方式、极限核的具体形式、最优学习率对应的函数类与条件，以及随机特征近似的误差和计算比较。
- 阅读边界
- 来源为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明定理条件，极限性质不能直接保证有限树 BART 的普遍优势。
原文摘要
Bayesian Additive Regression Trees (BART) have shown state-of-the-art performance in both prediction and causal inference problems. Previous theoretical work has attempted to explain BART's superior performance by establishing posterior contraction rates for standard BART models, but these rates depend strongly on the number of covariates. Here, we take a different approach and study the behavior of BART as the number of trees grows towards infinity. We show that in this regime, BART converges to a Gaussian process (GP) with a particular kernel. The kernel and its corresponding reproducing kernel Hilbert space (RKHS) have favorable inferential properties that help explain BART's excellent performance. We introduce random tree features as an approximation to this limiting GP, and establish minimax-optimal learning rates for ridge regression on these random features that depend only logarithmically on dimension. In addition to providing insight into the empirical success of BART, random tree features offer a computational benefit over traditional MCMC estimation. The random-features approximation also allows practitioners to easily incorporate BART into any model which has a linear predictor, expanding the applicability and flexibility of BART.