Распространенные модели Neg Neural Additive

Статистические данные > Машинное обучение [представлено 7 сентября 2026 года] Название: Distributed Lag Neural Additive Models View PDF HTML (экспериментальное) Резюме: Мы представляем дистрибутивные модели Neg Near Additive (DLNAM), нейронно-аддитивные аналоговые модели диспропорционированных Lag нелинейных моделей для изучения нелинических эффектов, распределенных по запаздкам. DLNAM заменяют заранее определенный сплиновый поперечный басис нейронными компонентами, которые учатся воздействию - поверхности реакции на лаки, избегая выбора семейства оснований, размеров и места расположения узла при сохранении интерпретируемости присадок и знакомых распределенных резюме. Входящие слои, плавная активация и извлеченные подсетные смеси производят гладкие местные адаптивные представления; точечная неопределённость сочетает условное приближение последнего слоя Лаплы с вариацией между членами. В процессе моделирования ОНДЖ, как правило, опережают компараторы ДРНМ, включая налагаемые наказания и деревянные варианты, в восстановлении известных функций реагирования с меньшими отклонениями, более сильным восстановлением границ и более тщательной калиброванной кумулятивной периодичностью; наибольшие выгоды были получены за счет выполнения более сложных функций. Архитектура, которая последовательно функционировала в зависимости от размеров выборки, конечных семей, запаздывающих горизонтов и совместно установленных многопоглощающих параметров, сохраняя эффективность восстановления по мере…