Uncertainty quantification for Bayesian CART
贝叶斯 CART 的不确定性量化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。
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：摘要讨论通用树回归的贝叶斯推断，未提供因果效应或所列应用方向的直接证据。
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
贝叶斯 CART 的不确定性量化
- 研究问题
- 贝叶斯 CART 如何获得正式的回归推断基础，并在适应未知函数特征的同时构造具有统一覆盖性质的置信带？
- 方法与思路
- 作者从结构化小波收缩角度，将 CART 重述为利用树拓扑相关性的 g 型先验，分析后验集中、置信带及光滑泛函推断。
- 材料陈述的贡献
- 摘要称，常用 CART 先验达到上确界范数下自适应近极小极大后验集中，并在自相似条件下支持统一覆盖的自适应置信带。
- 阅读关注点
- 应核对树先验与小波结构的对应关系、自相似条件及置信带构造，并区分函数估计和光滑泛函有效置信集合的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；自相似条件及模型范围未展开，不能将覆盖结论直接用于任意 CART 实现或数据。
原文摘要
This work affords new insights into Bayesian CART in the context of structured wavelet shrinkage. The main thrust is to develop a formal inferential framework for Bayesian tree-based regression. We reframe Bayesian CART as a g-type prior which departs from the typical wavelet product priors by harnessing correlation induced by the tree topology. The practically used Bayesian CART priors are shown to attain adaptive near rate-minimax posterior concentration in the supremum norm in regression models. For the fundamental goal of uncertainty quantification, we construct adaptive confidence bands for the regression function with uniform coverage under self-similarity. In addition, we show that tree-posteriors enable optimal inference in the form of efficient confidence sets for smooth functionals of the regression function.