Resumen - Aprendizaje Multitarea de Fusión Tardía para Inferencia Semiparamétrica con Parámetros de Ruido

Aprendizaje Multitarea de Fusión Tardía para Inferencia Semiparamétrica con Parámetros de Ruido

2025-07-10 17:27:04

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

{stat.ME,stat.ML}

Esta investigación introduce un marco de aprendizaje multi-tarea de fusión tardía para modelos semiparamétricos que involucran parámetros de disturbio de dimensión infinita. El marco está diseñado para mejorar la estimación de parámetros en diversas fuentes de datos, como registros electrónicos de salud de diferentes hospitales o datos de ensayos clínicos. El marco consta de dos pasos: 1. Se obtienen estimadores de aprendizaje de máquina inicial mediante aprendizaje de tareas individuales, resolviendo ecuaciones de estimación con estimados de parámetros de disturbio empotrados. 2. Estos estimadores se agregan de manera adaptativa utilizando un problema de optimización para explotar las similitudes entre tareas mientras se mantiene robusto a las diferencias específicas de las tareas. El marco evita el intercambio de datos a nivel individual, preservando la privacidad. Además, se propone un nuevo método de aprendizaje multi-tarea para la estimación de parámetros de disturbio, mejorando la estimación de parámetros cuando los parámetros de disturbio muestran similitud entre tareas. Se establecen garantías teóricas para el método, demostrando tasas de convergencia más rápidas en comparación con el aprendizaje de tareas individuales cuando las tareas comparten componentes paramétricos similares. Extensas simulaciones y aplicaciones de datos reales, incluyendo la estimación del efecto promedio condicional del tratamiento de consultas telefónicas en estudios de screening de mamografía, complementan los hallazgos teóricos y resaltan la efectividad del marco incluso en tamaños de muestra moderados.