.png){kind=icon}
返回
Maximum likelihood neural additive models
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2026.123104.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经网络加性模型（NAMs）因其有前景的可解释性和逼近能力而近年来受到越来越多的关注。然而，现有的NAMs工作通常仅限于均方误差（MSE）准则，这在面对包含非高斯噪声（如异常值和重尾噪声）的数据时可能导致性能下降。为解决此问题，我们利用误差建模的最大似然估计，并构建了噪声分布感知的加性模型，称为最大似然神经网络加性模型（ML-NAM）。它采用核密度估计以避免对噪声分布的显式假设，从而能够灵活适应多样化的噪声环境。理论上，在温和条件下建立了ML-NAM的过剩风险界，且当目标函数位于Besov空间时，所得的极小极大收敛率表现出多项式衰减。经验上，广泛的实验验证了所提ML-NAM相比多种最先进方法的有效性和鲁棒性。在多个数据集上，ML-NAM在实际非高斯噪声条件下相比NAM降低了14%-29%的MSE。本研究为高价值领域（其中鲁棒性和可解释性对实际应用至关重要）提供了可靠的决策支持。
Keyword:
Neural additive model
Robust regression
Error bound
Interpretable machine learning
Kernel density estimation
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
引用论文
分享收藏GAMI-Net: An explainable neural network based on generalized additive models with structured interactionsGami-net: 基于具有结构化交互作用的广义加性模型的可解释神经网络.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏分享收藏
分享收藏GE-IA-NAM: gene-environment interaction analysis via imaging-assisted neural additive modelGE-IA-NAM：基于影像辅助神经加性模型的环境-基因交互分析BIOINFORMATICSOAAI
BIOINFORMATICSIF5.4
OAAI分享收藏
查看更多内容