混合模型中的误属率控制
统计理论
2023-10-26 v4 机器学习
统计理论
摘要
聚类任务在于将样本中的元素划分为同质组。多数数据集包含模糊且本质上难以归属到某一聚类的个体。然而，在实际应用中，个体误分类可能带来灾难性后果，应当避免。为使误分类率保持较小，可仅对样本的一部分进行分类。在有监督设定下，此方法广为人知并被称为带弃判选项的分类。本文将此方法置于无监督混合模型框架下重新审视，旨在开发一种能保证误属率（FMR）不超过预定义名义水平 的方法。我们提出一种插件过程，并给出理论分析，通过显式余项量化FMR相对于目标水平 的偏差。数值实验表明该过程的自助法版本可提升性能。
引用
@article{arxiv.2203.02597,
title = {False membership rate control in mixture models},
author = {Ariane Marandon and Tabea Rebafka and Etienne Roquain and Nataliya Sokolovska},
journal= {arXiv preprint arXiv:2203.02597},
year = {2023}
}