函数回归新突破！FAIR模型精准还原复杂效应结构，预测性能大幅提升
Functional Attentive Interpretable Regression
📖 AI 总结
该论文提出了一种名为FAIR（Functional Attentive Interpretable Regression）的新型函数型回归方法，用于解决函数对函数回归中系数曲面结构复杂、难以准确估计的问题。传统方法依赖固定基展开或直接平滑，容易模糊局部效应或过度平滑边界。FAIR通过坐标特征直接表示系数曲面，并利用自注意力机制学习效应自适应的邻域结构，实现局部与全局信息的有效共享，再经标量压缩网络映射为系数曲面。该方法结合稀疏性与平滑性惩罚，能够生成边界清晰的局部支持区域。理论方面，作者建立了与张量积样条空间的筛等价性并推导了收敛速率。模拟实验及海洋、水文数据应用表明，FAIR在恢复支持几何结构方面优于现有方法，且在稀疏采样条件下预测精度更高。
🔑 关键词速览
| 函数对函数回归 | 一种回归方法，其中自变量和因变量均为函数型数据，旨在建模函数之间的依赖关系。 |
| 系数曲面 | 在函数回归中，描述自变量函数对因变量函数影响的二维函数，通常表示为 $\beta(s,t)$。 |
| 自注意力 | 一种机制，通过计算序列内部元素间的相关性权重，动态聚合信息，常用于深度学习模型。 |
| 筛等价 | 指一个函数空间序列在逼近目标函数空间时具有渐近等价性，用于理论分析估计量的性质。 |
| 稀疏采样 | 指观测数据在时间或空间上分布稀疏，导致信息不充分，对模型估计提出挑战。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅