Résumé - Apprentissage par fusion tardive multi-tâche pour l'inférence semi-paramétrique avec des paramètres de nuance

Apprentissage par fusion tardive multi-tâche pour l'inférence semi-paramétrique avec des paramètres de nuance

2025-07-10 17:27:04

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

{stat.ME,stat.ML}

Cette recherche présente un cadre de multitâche de fusion tardive pour des modèles semi-paramétriques impliquant des paramètres de nuisance à dimension infinie. Le cadre est conçu pour améliorer l'estimation des paramètres dans diverses sources de données, telles que les dossiers de santé électroniques de différents hôpitaux ou les données des essais cliniques. Le cadre se compose de deux étapes : 1. Des estimateurs initiaux de double apprentissage machine sont obtenus par apprentissage individuel des tâches, en résolvant des équations d'estimation avec des estimations de nuisance insérées. 2. Ces estimateurs sont agrégés de manière adaptative en utilisant un problème d'optimisation pour exploiter les similitudes entre les tâches tout en restant robuste aux différences spécifiques aux tâches. Le cadre évite le partage de données au niveau individuel, préservant ainsi la vie privée. De plus, une nouvelle méthode de multitâche pour l'estimation des paramètres de nuisance est proposée, améliorant l'estimation des paramètres lorsque les paramètres de nuisance montrent une similarité entre les tâches. Des garanties théoriques sont établies pour la méthode, démontrant des taux de convergence plus rapides par rapport à l'apprentissage individuel des tâches lorsque les tâches partagent des composants paramétriques similaires. Des simulations extensives et des applications de données réelles, y compris l'estimation de l'effet moyen conditionnel traité de consultations téléphoniques dans des études de dépistage par mammographie, complètent les résultats théoriques et mettent en lumière l'efficacité du cadre même dans des tailles d'échantillons modérées.