English(EN) Gradient Boosted Mixed Models: Flexible Estimation of Mean and Variance Components for Clustered Data

新的GBMixed框架通过灵活的方差建模增强了聚类数据分析

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-30 04:00

研究人员引入了梯度增强混合模型（GBMixed），这是一个将增强技术扩展到聚类数据的新颖框架。该方法使用基于似然的梯度在混合线性模型中联合建模均值和方差分量。GBMixed可以估计复杂的非线性固定效应和依赖于协变量的协方差，与现有的参数混合线性模型和高斯过程增强等方法相比，提供了改进的预测性能。 AI

影响引入了一种新的统计方法，可以提高机器学习模型在聚类数据上的性能。

排序理由介绍新的统计建模框架的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Mitchell L. Prevett, Francis K. C. Hui, Zhi Yang Tho, A. H. Welsh, Anton H. Westveld · 2026-06-30 04:00

Gradient Boosted Mixed Models: Flexible Estimation of Mean and Variance Components for Clustered Data

arXiv:2511.00217v2 Announce Type: replace Abstract: We introduce Gradient Boosted Mixed Models (GBMixed), a framework which extends boosting to clustered data by jointly modeling the mean and variance components in a linear mixed model via likelihood-based gradients. GBMixed esti…

报道来源 [1]

Gradient Boosted Mixed Models: Flexible Estimation of Mean and Variance Components for Clustered Data

相关话题