Response-Specific Multivariate Bayesian Additive Regression Trees

Existing Bayesian additive regression tree (BART) models for correlated multivariate responses rely on either shared-tree or response-wise architectures. Shared-tree models improve predictive efficiency through information pooling but lack response-specific interpretability, whereas response-wise approaches enhance interpretability at the expense of scalability. Both paradigms typically employ inverse-Wishart priors, which can impose restrictive dependence structures as the response dimension increases. We propose Response-Specific Multivariate BART (RSMBART), which bridges these approaches by enabling response-specific identification of relevant predictors while retaining shared tree topologies. We further extend the framework to allow more flexible regularization of cross-outcome dependence in higher-dimensional settings. Simulation and real data studies show that RSMBART improves predictive performance and covariance recovery while remaining computationally efficient.

Arbres de régression additive bayésiens multivariés spécifiques à la réponse

Les modèles d'arbres de régression additive bayésiens (BART) existants pour les réponses multivariées corrélées reposent soit sur des architectures à arbre partagé, soit sur des architectures spécifiques à chaque réponse. Les modèles à arbre partagé améliorent l'efficacité prédictive grâce au regroupement d'informations, mais manquent d'interprétabilité spécifique à chaque réponse, tandis que les approches spécifiques à chaque réponse améliorent l'interprétabilité au détriment de l'évolutivité. Les deux paradigmes utilisent généralement des a priori inverses de Wishart, qui peuvent imposer des structures de dépendance restrictives à mesure que la dimension de la réponse augmente. Nous proposons le modèle RSMBART (Response-Specific Multivariate BART), qui fait le pont entre ces deux approches en permettant d'identifier les prédicteurs pertinents spécifiques à la réponse tout en conservant les topologies d'arbres partagés. Nous étendons le cadre pour permettre une régularisation plus flexible de la dépendance entre les résultats dans les contextes à plus haute dimension. Des études de simulation et sur données réelles montrent que le modèle RSMBART améliore la performance prédictive et l'estimation de la covariance tout en restant efficace sur le plan computationnel.

Session

New Frontiers in Regression Modelling

Date and Time