免费个人logo设计网站百度移动版
文章：《Generalized Sparse Additive Model with Unknown Link Function》
基于双层优化下，未知链接函数的广义稀疏可加模型
背景： 可加模型是经典的统计建模方式，并且近些年在众多（人工智能 / 统计 / 数学）顶刊定会上有对应的工作，完善了更多的建模以及理论工作。它享有着天然的可解释性！
研究背景
广义可加模型（GAM）在高维数据分析中得到了广泛应用，能够有效解决变量对响应的非线性影响问题。然而，现有方法大多无法同时估计链接函数、组件函数和变量交互。此外，实际数据中常用的链接函数可能不适用，导致组件函数估计偏差，影响模型预测。因此，本文提出了一种新的广义稀疏可加模型，能够同时估计未知链接函数和组件函数，并进行变量选择。
核心技术和思想
本文提出了一种名为广义稀疏可加模型（GSAMUL）的新模型，其核心技术和思想包括：
- 组件函数估计：使用B样条基函数（B-spline basis）估计组件函数。
- 链接函数估计：使用多层感知器（MLP）网络估计未知链接函数。
- 变量选择：通过ℓ2,1-范数正则化实现变量选择。
- 双层优化问题：将数据分为训练集和验证集，通过双层优化问题估计未知函数。
核心贡献
- 模型创新：提出了一种新的GAM模型，能够同时进行估计和变量选择，模型介于白盒和黑盒之间。
- 优化方案：提出了一个双层优化方案，用于估计未知链接函数和组件函数，并提供了优化算法的收敛性分析。
- 有效性验证：通过模拟数据和真实世界数据的实验评估，验证了GSAMUL在变量选择和函数估计方面的有效性，即使在数据受到无关变量污染的情况下也能高效工作。
解决的问题
GSAMUL解决了以下问题：
- 同时估计链接函数和组件函数：现有方法无法同时估计链接函数和组件函数，GSAMUL通过B样条和MLP网络实现了这一目标。
- 变量选择和交互学习：通过ℓ2,1-范数正则化实现变量选择，并通过MLP网络隐式学习变量之间的交互。
- 高维数据处理：在高维数据和复杂结构数据中，现有方法通常无法取得满意的结果，GSAMUL通过双层优化和正则化实现了对高维数据的有效处理。
