論文の概要: Robust and flexible learning of a high-dimensional classification rule
using auxiliary outcomes
- arxiv url: http://arxiv.org/abs/2011.05493v3
- Date: Wed, 22 Mar 2023 15:29:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 08:39:19.937059
- Title: Robust and flexible learning of a high-dimensional classification rule
using auxiliary outcomes
- Title(参考訳): 補助結果を用いた高次元分類規則のロバストで柔軟な学習
- Authors: Muxuan Liang, Jaeyoung Park, Qing Lu, Xiang Zhong
- Abstract要約: 我々は,高次元線形決定ルールを補助的な結果の存在下で推定する伝達学習手法を開発した。
最終推定器は,1つの利害関係のみを用いた推定よりも低い推定誤差が得られることを示す。
- 参考スコア(独自算出の注目度): 2.92281985958308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Correlated outcomes are common in many practical problems. In some settings,
one outcome is of particular interest, and others are auxiliary. To leverage
information shared by all the outcomes, traditional multi-task learning (MTL)
minimizes an averaged loss function over all the outcomes, which may lead to
biased estimation for the target outcome, especially when the MTL model is
mis-specified. In this work, based on a decomposition of estimation bias into
two types, within-subspace and against-subspace, we develop a robust transfer
learning approach to estimating a high-dimensional linear decision rule for the
outcome of interest with the presence of auxiliary outcomes. The proposed
method includes an MTL step using all outcomes to gain efficiency, and a
subsequent calibration step using only the outcome of interest to correct both
types of biases. We show that the final estimator can achieve a lower
estimation error than the one using only the single outcome of interest.
Simulations and real data analysis are conducted to justify the superiority of
the proposed method.
- Abstract(参考訳): 関連する結果は、多くの実践的な問題に共通している。
ある設定では、ある結果が特に興味を持ち、別の結果が補助的になる。
全ての結果から共有される情報を活用するために、従来のマルチタスク学習(MTL)は、全ての結果に対して平均損失関数を最小化し、特にMTLモデルが不特定である場合、対象結果に対するバイアス推定につながる可能性がある。
本研究では,inside-subspace と against-subspace の2つのタイプに推定バイアスを分解し,補助的な結果が存在する場合の利子結果に対する高次元線形決定規則を推定するためのロバストな伝達学習手法を開発した。
提案手法は、すべての結果を用いて効率を上げるためのMTLステップと、興味のある結果のみを用いて両方のバイアスを補正するキャリブレーションステップとを含む。
最終推定器は,1つの利害関係のみを用いた推定よりも低い推定誤差が得られることを示す。
提案手法の優位性を正当化するためにシミュレーションと実データ解析を行う。
関連論文リスト
- Doubly Robust Estimation of Direct and Indirect Quantile Treatment
Effects with Machine Learning [0.0]
本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。
提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。
また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
論文 参考訳(メタデータ) (2023-07-03T14:27:15Z) - On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。
本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。
本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文 参考訳(メタデータ) (2022-02-25T13:47:09Z) - Learning Bias-Invariant Representation by Cross-Sample Mutual
Information Minimization [77.8735802150511]
対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。
相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。
我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
論文 参考訳(メタデータ) (2021-08-11T21:17:02Z) - Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。
本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
論文 参考訳(メタデータ) (2021-07-28T05:18:10Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳(メタデータ) (2021-06-07T17:47:16Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳(メタデータ) (2021-05-11T03:38:16Z) - Counterfactual Propagation for Semi-Supervised Individual Treatment
Effect Estimation [21.285425135761795]
個別治療効果(英: individual treatment effect、ITE)とは、特定の標的に特定の行動をとる結果の期待された改善を示す。
本研究では、より容易に利用可能な未ラベルのインスタンスを利用する半教師付きITE推定問題について考察する。
本稿では,最初の半教師付きITT推定法である反実伝搬法を提案する。
論文 参考訳(メタデータ) (2020-05-11T13:32:38Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。