Functional Anova
PulseAugur coverage of Functional Anova — every cluster mentioning Functional Anova across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新统计方法处理高维相关数据
本文介绍了一种名为“未知相关设计下的最小二乘加性回归”的新统计方法，该方法适用于数据随机设计相关且维度可能随样本量增加而增加的场景。该方法采用Riesz基构造来处理这种相关性，建立了相容性界限并开发了阈值最小二乘估计量。研究表明，预测精度可以达到匹配的最小二乘上下界，表明在某些条件下该问题可以达到已知的密度最小二乘速率，否则速率由边际密度的平滑度决定。
-
新研究使用fANOVA分析深度学习模型设计选择
一篇新发表在arXiv上的研究论文介绍了一种函数方差分析（fANOVA）方法，用于分析设计选择对遥感图像多标签分类深度学习模型的影响。该研究分析了48种和20种不同的深度学习模型，发现数据集属性（如尺度、分辨率和标签复杂度）会影响哪些设计选择（架构、微调、学习策略、初始化）对性能最为关键。对于大型数据集，微调和架构是关键；而在数据受限的情况下，初始化则起决定性作用。
-
新论文将SHAP模型解释与函数方差分析分解联系起来
一篇新发表在arXiv上的论文探讨了SHAP（SHapley Additive exPlanations）的统计学基础，这是一种流行的机器学习模型解释方法。该研究将SHAP近似值与函数方差分析分解联系起来，强调了特征分布选择和估计的方差分析项数量如何影响SHAP的准确性。尽管与敏感性分析的联系很有见地，但该论文指出，在机器学习可解释性和传统敏感性分析领域之间，实际约束存在差异。
-
新方法统一了人工智能模型的加性解释
研究人员开发了一种新的广义函数方差分析（也称为Hoeffding分解）方法，以增强模型的可解释性。该方法为加性解释提供了一个统一的框架，特别是对于具有因变量的连续输入。所提出的算法提供了一种模型无关的方式来从数据中估计这些分解，并且与现有解释方法相比，经验表明其有效性。