すべての人に一次情報を
研究者は、任意のメトリック空間に値を取るランダムオブジェクトに対してアディティブ構造を導入したFréchet回帰のフレームワークを提案した。
この方法は、従来のローカルFréchet回帰が多変量説明変数で直面する次元の呪いを回避する。
アディティブFréchet回帰は、条件Fréchet分散をアディティブ部分空間へ射影することで定義される。具体的には、重み付き二乗距離の最小化問題 \(\hat{m}_{+}(x)=\arg\min_{a\in\Omega}\hat{M}_{+}(x,a)\) を解く。
ここで\(\hat{M}_{+}\) は重み付き二乗距離の経験的和であり、重みは線形方程式系を解くことで得られる。
理論解析により、細かいバンド幅条件下では推定誤差が \(O\big(n^{-2/5}\big)\) の収束率を示し、これは一次元カーネル回帰と同じである。
この収束率は、説明変数の数に依存しない。
シミュレーションでは、真の回帰関数がアディティブである状況(シナリオI・II)において、アディティブFréchet回帰はネットワーク回帰、単一指数Fréchet回帰、マニフォールド値回帰に比べて統合二乗誤差(ISE)が低かった。 一方、非アディティブなシナリオ(シナリオIII)では、単一指数Fréchet回帰が中央値で最良の性能を示し、アディティブFréchet回帰は第2位となった。
この枠組みは、ネットワーク(グラフラプラシアン)、確率分布(Wasserstein距離)、構成データ(球面メトリクス)など、既存の固有回帰手法を統一し拡張する。
ただし、理論的保証は条件Fréchet分散がアディティブ構造を持つこと、バンド幅・カーネル条件(B1–B3)やメトリック空間の幾何条件(A1–A5)を満たすことに依存する。
これらの条件が満たされない場合、推定量はバイアスを持ち、収束率が保証されない。
さらに、重みが負になると目的関数が非凸になり、最小化が非唯一になる可能性がある。
以上の点を考慮すれば、本手法は多様な複雑データに対して次元の呪いを回避する有力なツールとなり得る。