DoGR：用于异质数据可复现分析的解聚高斯回归
机器学习
2021-09-01 v1
摘要
大规模数据的定量分析常因存在多样化子群而变得复杂，这降低了其在留出数据上推断的准确性。为应对异质数据分析的挑战，我们引入 DoGR，一种通过同时将数据划分为重叠簇（解聚）并建模簇内行为（回归）来发现潜在混杂因素的方法。应用于真实数据时，我们的方法发现了有意义的簇及其特征行为，从而揭示组间差异及其对关注结果的影响。通过考量潜在混杂因素，我们的框架促进了含噪异质数据的探索性分析，并可用于学习对新数据泛化更好的预测模型。我们提供代码以便他人在其数据分析工作流中使用 DoGR。
引用
@article{arxiv.2108.13581,
title = {DoGR: Disaggregated Gaussian Regression for Reproducible Analysis of Heterogeneous Data},
author = {Nazanin Alipourfard and Keith Burghardt and Kristina Lerman},
journal= {arXiv preprint arXiv:2108.13581},
year = {2021}
}