.png){kind=icon}
返回
Data-Dependent Rectangular Bounding Processes
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2025.3618585.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随机分割过程将多维空间划分为若干区域，使得每个区域内的数据表现出某种形式的同质性。由于分割策略的特性，分割过程在尝试描述密集区域数据时，往往会在稀疏区域产生许多不必要的分割。为避免此问题，我们引入一种简洁的分割模型——矩形边界过程（RBP），通过采用边界策略将数据点包含在矩形边界框内，从而高效地分割多维空间。RBP具有自洽性，因此可以直接从有限超立方体扩展到无限（无界）空间。我们扩展RBP，建立数据依赖型RBP（data-RBP），以顺序方式仅在现有数据点上生成边界框，这可有效降低模型复杂度并实现在线学习。为此，我们设计了另一种生成边界框的方法，并证明在移除空框后，data-RBP与RBP在分布上等价。我们展示了RBP和data-RBP在三个场景中的应用：回归树、关系建模以及在线学习的随机特征构造。广泛的实验结果验证了RBP和data-RBP在准确性和效率方面的性能。
Keyword:
Random processes
regression trees
relational modelling
stochastic partition processes
期刊
IF:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
Prediction of full load electrical power output of a base load operated combined cycle power plant using machine learning methods使用机器学习方法预测基本负荷运行的联合循环电厂的满负荷电功率输出
PREAI
分享收藏
Bayesian Regression Trees for High-Dimensional Prediction and Variable Selection用于高维预测和变量选择的贝叶斯回归树
PREAI
分享收藏分享收藏XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏分享收藏分享收藏
查看更多内容