Bayesian Additive Regression Trees
PulseAugur coverage of Bayesian Additive Regression Trees — every cluster mentioning Bayesian Additive Regression Trees across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的贝叶斯方法改进了试验结果在更广泛人群中的适用性
研究人员开发了一个新的统计框架，称为贝叶斯倾向得分预测推断（Bayesian Propensity Score Predictive Inference, PSPI），以更好地将临床试验的发现推广到更广泛的患者人群。该方法结合了贝叶斯加性回归树和自然三次样条，以模拟在不同协变量分布下变化的治疗效果。PSPI旨在改进结果估计，特别是在试验人群和目标人群之间协变量存在显著变化时，并在模拟中显示出优于现有方法的性能。
-
OpenAI 收购 Orchestra Bio，将 AI 代理集成到临床试验管理中
OpenAI 收购了 Orchestra Bio，这是一家总部位于旧金山的临床试验协调软件初创公司。此次收购旨在将 Orchestra Bio 的技术集成到 OpenAI 的生命科学套件 Rosalind 中，以增强 AI 代理在管理临床试验方面的能力。此举表明 OpenAI 正通过利用 AI 提高临床研究的运营效率和数据管理能力，战略性地进军生命科学领域。
-
新的无限BART模型概括了贝叶斯树集成
研究人员推出了一种“无限BART模型”，这是贝叶斯加性回归树（BART）框架的一种新颖的概括。该新模型可自动确定决策树的最佳数量，并允许跨观测集群使用不同的回归函数。无限BART模型通过引入一个具有印度自助餐过程先验的二元权重矩阵来实现这一点，该矩阵通过MCMC采样器进行采样，从而选择性地激活数据点的树子集。该论文将这种广义模型与经典BART方法进行了比较，使用了模拟和真实世界的数据集，证明了其在变量重要性、部分依赖性和因果估计方面的效用。
-
RoBART 通过旋转增强了贝叶斯加性回归树
研究人员引入了 RoBART，一种用于贝叶斯加性回归树 (BART) 的新方法。RoBART 通过引入特定树旋转来解决传统 BART 在近似复杂边界方面的局限性。该方法允许在旋转坐标系中进行轴对齐分割，从而提高后验收缩率并适应内在维度，特别是对于各向异性 Hölder 平滑函数。
-
RoBART 通过旋转增强了贝叶斯加性回归树
研究人员开发了 RoBART，一种用于贝叶斯加性回归树 (BART) 的新方法。RoBART 引入了特定树旋转，允许在旋转坐标中进行轴对齐分割，同时保持叶节点不变。该方法旨在改进对与预测变量轴不对齐的复杂边界的近似，这是标准 BART 的一个常见挑战。所提出的方法使用 Metropolis-Hastings 算法联合优化旋转序列和切点，并包括对后验收缩率的理论保证，证明了 RoBART 能够适应标准 BART 可能无法适应的内在维度。
-
新的贝叶斯模型在时空数据分析方面表现出色
研究人员开发了一种新颖的动态空间面板贝叶斯加性回归树模型，具有马蹄形收缩（DSP-BART-HS），专为高维时空面板数据设计。该新模型在各种场景下显著优于现有方法，尤其是在个体层面的非线性是结果方差的关键驱动因素时。DSP-BART-HS 模型即使在零训练区域的情况下也表现出强大的预测准确性，这归功于其空间扩散机制，并且在分析美国的代际经济流动性和地理收入不平等性方面显示出实际效用。
-
新的函数式BART方法通过形状先验增强回归
研究人员推出了一种新颖的非参数贝叶斯方法Functional BART (FBART)，专为标量回归函数设计。FBART整合了基于样条的表示和基于树的划分结构，以模拟响应曲线和标量预测变量之间复杂的函数关系。该方法还包括一个形状约束变体，允许纳入单调性或凸性等先验信息，在适用这些约束时提高估计和预测的准确性。FBART及其形状约束版本都展示了适应未知平滑度的后验收敛速率，在模拟和真实数据集中的表现优于现有的最先进方法。
-
新的spBART模型通过高维表观遗传数据增强了风险预测能力
研究人员开发了一种新的半参数贝叶斯加性回归树（spBART）模型，用于结合高维表观遗传数据和低维协变量来改进风险预测。该方法将低维协变量的建模分离为一个参数化组件以提高可解释性，并使用树集成模型处理复杂的高维预测变量。将spBART模型应用于多发性骨髓瘤研究，成功识别了关键基因位点，并实现了0.96的强样本外判别AUC。