論文の概要: Simultaneous Heterogeneity and Reduced-rank Learning for Multivariate Response Regression

• arxiv url: http://arxiv.org/abs/2512.06514v1
• Date: Sat, 06 Dec 2025 17:59:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.389243
• Title: Simultaneous Heterogeneity and Reduced-rank Learning for Multivariate Response Regression
• Title（参考訳）: 多変量応答回帰のための同時不均一性と低ランク学習
• Authors: Jie Wu, Bo Zhang, Daoji Li, Zemin Zheng,
• Abstract要約: 本稿では,サブグループ構造を同時に識別する統合的不均一性と低ランク学習フレームワークを提案する。 特に,本手法ではランク制約付き対融合ペナル化を用い,各部分群に関する事前知識を必要とせず,部分群解析を行う。 提案手法の有効性はシミュレーション研究と実データ応用を通して実証する。
• 参考スコア（独自算出の注目度）: 6.086398194493261
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Heterogeneous data are now ubiquitous in many applications in which correctly identifying the subgroups from a heterogeneous population is critical. Although there is an increasing body of literature on subgroup detection, existing methods mainly focus on the univariate response setting. In this paper, we propose a joint heterogeneity and reduced-rank learning framework to simultaneously identify the subgroup structure and estimate the covariate effects for heterogeneous multivariate response regression. In particular, our approach uses rank-constrained pairwise fusion penalization and conducts the subgroup analysis without requiring prior knowledge regarding the individual subgroup memberships. We implement the proposed approach by an alternating direction method of multipliers (ADMM) algorithm and show its convergence. We also establish the asymptotic properties for the resulting estimators under mild and interpretable conditions. A predictive information criterion is proposed to select the rank of the coefficient matrix with theoretical support. The effectiveness of the proposed approach is demonstrated through simulation studies and a real data application.
• Abstract（参考訳）: 現在、不均質なデータは、不均質な集団からのサブグループを正しく同定する多くのアプリケーションにおいてユビキタスである。 サブグループ検出に関する文献が増えているが、既存の手法は主に単変量応答設定に焦点を当てている。 本稿では,サブグループ構造を同時に同定し,不均一な多変量応答の回帰に対する共変量効果を推定する,共同不均一性と低ランク学習フレームワークを提案する。 特に,本手法では,各サブグループのメンバシップに関する事前の知識を必要とせずに,ランク制約付きペア・フュージョン・ペナル化を用いてサブグループ解析を行う。 本稿では,乗算器アルゴリズム(ADMM)の交互方向法を用いて提案手法を実装し,その収束性を示す。 また、軽度かつ解釈可能な条件下で得られた推定器の漸近特性も確立する。 理論的に支持された係数行列のランクを選択するために予測情報基準を提案する。 提案手法の有効性はシミュレーション研究と実データ応用を通して実証する。

関連論文リスト

• Covariate-assisted Grade of Membership Models via Shared Latent Geometry [0.7939348535496568]
  メンバーシップモデルのグレードは、個人レベルの混合メンバーシップスコアを通して多変量カテゴリデータを解析するための柔軟な潜在変数モデルである。 補助共変量体を組み込む従来のアプローチは、一般に完全に指定された関節の確率に依存しており、計算的に集中しており、誤特定に敏感である。 我々は,共変量支援型メンバシップモデルを導入し,共変量情報を統合する。
  論文  参考訳（メタデータ） (2026-01-24T02:30:36Z)
• Hierarchical and Density-based Causal Clustering [6.082022112101251]
  本稿では,既成のアルゴリズムを用いて簡易かつ容易に実装可能なプラグイン推定器を提案する。 さらに,それらの収束率について検討し,因果クラスタリングの付加コストが基本的に結果回帰関数の推定誤差であることを示す。
  論文  参考訳（メタデータ） (2024-11-02T14:01:04Z)
• Causal K-Means Clustering [5.087519744951637]
  Causal k-Means Clusteringは、広く使われているk-means Clusteringアルゴリズムを利用して、未知の部分群構造を明らかにする。 既成のアルゴリズムを用いて簡易かつ容易に実装可能なプラグイン推定器を提案する。 提案手法は,複数の治療レベルを有する近代的な結果研究に特に有用である。
  論文  参考訳（メタデータ） (2024-05-05T23:59:51Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Modelling Heterogeneity Using Bayesian Structured Sparsity [0.0]
  観察間で異なる変数の効果を推定する方法は、政治科学において重要な問題です。 本稿では,複雑な現象(同様の現象を離散群に展開する観測)を回帰分析に組み込む共通の方法を提案する。
  論文  参考訳（メタデータ） (2021-03-29T19:54:25Z)
• Robust Grouped Variable Selection Using Distributionally Robust Optimization [11.383869751239166]
  摂動下での群付き変数選択のための不確実性セットを用いた分布ロバスト最適化(DRO)の定式化を提案する。 我々は,サンプル外損失と推定バイアスの確率的境界を証明し,推定器の群化効果を確立する。 我々の定式化は,群レベルでの空間性を促進する解釈可能で同相なモデルを生成することを示す。
  論文  参考訳（メタデータ） (2020-06-10T22:32:52Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。