Cadre建模：同时发现子群体与预测模型

我们考虑回归分析中的一个问题：识别表现出不同响应模式的子群体，其中每个子群体需要不同的底层模型。与统计队列不同，这些子群体并非先验已知；因此，我们称之为cadres。当cadres及其关联模型可解释时，建模可带来关于子群体及其与回归目标关联的洞见。我们引入一种判别模型，可同时学习cadre分配与目标预测规则。在模型参数上施加诱导稀疏性的先验，在此先验下对cadre分配和目标预测过程均进行独立特征选择。我们使用自适应步长随机梯度下降学习模型，并通过自助样本分析评估cadre质量。我们给出的模拟结果表明，当真实的聚类规则不依赖于全部特征时，我们的方法显著优于那些分别学习子群体发现与目标预测规则的方法。在一个材料设计案例研究中，我们的模型提供了聚合物玻璃化转变温度的最先进预测。重要的是，该方法识别出对结构扰动响应不同的聚合物cadres，从而为目标化或避免特定转变温度范围提供设计洞见。它识别出具有化学意义的cadres，每个都带有可解释模型。进一步的实验结果表明，cadre方法具有与线性和非线性回归模型相竞争的泛化能力，并能识别鲁棒的子群体。