.png){kind=icon}
返回
Deep Transformation Model
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2026.2739658.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据复杂性的增加导致了对更通用和灵活建模方法的需求。我们考虑了一种具有弱假设的非参数变换模型，该模型包含许多流行模型作为特例。提出了一种基于秩的深度神经网络（DNN）估计方法，其损失函数与现有方法显著不同。该方法能够处理响应变量中的异常值，这是一种并非广泛共享的稳健性特性。为提高计算可行性，我们提出了基于双重整流线性单元（DReLU）的估计器。为处理输入变量数量或噪声的发散问题，我们提出了基于组惩罚的变量选择方法。我们进一步扩展了适用范围以处理删失生存数据。我们建立了新的深度ReLU网络近似结果，以及估计和变量选择的性质。数值研究，包括模拟和数据分析，证实了所提出方法的应用价值。
Keyword:
Approximation to indicator function
Deep neural network
Transformation model
Rank estimation
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
.png){kind=icon}
NONPARAMETRIC ANALYSIS OF A GENERALIZED REGRESSION-MODEL - THE MAXIMUM RANK CORRELATION ESTIMATOR
PREAI
分享收藏
查看更多内容