基于广义加乘危险率模型的多元数据病例队列试验研究，郑明，孙怡，在大型流行病学跟踪研究中,病例队列抽样设计是一种常用的降低抽样成本的抽样方法。在这种抽样设计中,只要求观测所有病例样本以及�

CRC Generalized Additive Models An Introduction with R 2nd Edition，统计学经典教程，值得推荐的。

Additive logistic regression-a statistical view of boosting.pdf

Generalized Additive Models An Introduction with R 2nd Edition 深度学习 机器学习

本人翻译的Insight Face论文：ArcFace: Additive Angular Margin Loss for Deep Face Recognition。由于水平有限，因此文中很多名词不明白怎么翻译，还有可能存在一些地方有错误翻译，建议对照英文版原文比对着看。如果发现有翻译错误的，还请见谅并且通知我，或者有更好的理解，欢迎交流，谢谢。

使用特征学习的主要挑战之一深度卷积神经网络（DCNN）用于大规模人脸识别是适度损失的设计可以增强判别力的功能。中央损失会惩罚深层特征之间的距离他们相应的班级中心在欧几里得空间实现类内的紧凑性。 SphereFace假设最后完全连接的线性变换矩阵层可以用作类的表示在角度空间中居中并因此惩罚角度在深层特征及其相应权重之间以乘法的方式最近，热门研究将保证金纳入公认的亏损函数为了最大化人脸分类的可分离性。在本文中，我们提出了一个附加的角余量损失（ArcFace）获得用于面部识别的高度区分性功能。拟议的ArcFace具有清晰的几何解释由于它与测地距离精确对应在超球上。我们可以说是最广泛的针对所有最新技术的实验评估十种面部识别基准的面部识别方法其中包括一个新的大型图像数据库拥有成千上万的货币对和大规模的视频数据集。我们表明ArcFace的性能始终优于且可以通过微不足道的计算轻松实现高架。

Hastie的成名作，扩展的加性模型，从统计角度看待Adaboost。成书于1990年。 Hastie. Generalized Additive Models, Chapman and Hall, 1990.

应用广泛的广义相加模型，可以进行时间序列分析（如环境污染物与健康的关系）。