Zusammenfassung - Spät fusioniertes Multitasking-Lernen für semiparametrische Inferenz mit störenden Parametern

Spät fusioniertes Multitasking-Lernen für semiparametrische Inferenz mit störenden Parametern

2025-07-10 17:27:04

{"Sohom Bhattacharya","Yongzhuo Chen","Muxuan Liang"}

{stat.ME,stat.ML}

Diese Forschung stellt ein Framework für spätgefügte Multitasking-Lernmethoden für semiparametrische Modelle mit unendlich dimensionalen Störfaktoren vor. Das Framework ist darauf ausgelegt, die Parameterestimation in verschiedenen Datenquellen zu verbessern, wie zum Beispiel in elektronischen Gesundheitsakten von verschiedenen Krankenhäusern oder klinischen Studiendaten. Das Framework besteht aus zwei Schritten: 1. Initialen doppelten Maschinenlernestimatoren werden durch individuelle Aufgabenlernen erlangt, indem Estimierungsgleichungen mit Einfügungsestimationen für Störfaktoren gelöst werden. 2. Diese Estimatoren werden adaptiv aggregiert, indem ein Optimierungsproblem verwendet wird, um die Ähnlichkeiten zwischen Aufgaben auszunutzen, während gleichzeitig Robustheit gegenüber spezifischen Unterschieden zwischen Aufgaben beibehalten wird. Das Framework vermeidet den Austausch von individuellen Datenstufen, um Privatsphäre zu wahren. Darüber hinaus wird eine neue Multitasking-Lernmethode für die Störfaktor estimation vorgeschlagen, die die Parameterestimation verbessert, wenn Störfaktoren innerhalb von Aufgaben ähnlich sind. Theoretische Garantien werden für die Methode etabliert, die schnelleren Konvergenzraten im Vergleich zum individuellen Aufgabenlernen zeigt, wenn Aufgaben ähnliche parametrische Komponenten teilen. Umfassende Simulations und Anwendungen mit echten Daten, einschließlich der Schätzung des bedingten durchschnittlichen Behandlungseffekts von Telefonberatungen in Mammographie-Screeningstudien, ergänzen die theoretischen Ergebnisse und unterstreichen die Effektivität des Frameworks auch bei moderaten Stichprobengrößen.