一般化加法モデル(GAM）は，統計的モデルによるデータの説明性を担保しつつ，データに対するフィッティングを行えるように説明変数に対する基底関数をデータから学習可能にしている．本研究ではある予測に対する残差に対してベイズ最適な予測を繰り返し適用するブースティング手法の提案を行なった．またこの時各繰り返しにおいて結果となるモデルクラスがGAMとなるように近似を導入した．結果的に予測モデルのクラスとしてベイズ最適な決定木並びにガウス過程回帰を用いることにより，従来のGAMよりも性能の高い手法となることを評価実験により示した．