面向稀疏高阶交互模型的快速且更强大的选择性推断
机器学习
2021-06-10 v1 机器学习
摘要
医疗诊断等自动化高风险决策需要具有高可解释性和可靠性的模型。作为具有良好预测能力且可解释、可靠的模型之一，我们在本研究中考虑稀疏高阶交互模型（SHIM）。然而，由于组合效应固有的高维性，寻找具有统计显著性的高阶交互具有挑战性。数据驱动建模中的另一个问题是“摘樱桃”（即选择偏差）的影响。我们的主要贡献是将最近发展的用于选择性推断的参数规划方法推广到高阶交互模型。对所有可能交互的樱桃树进行穷举搜索即使对于小规模问题也可能令人畏惧且不切实际。我们引入了一种高效的剪枝策略，并使用合成数据和真实数据证明了所提方法的计算效率和统计功效。
引用
@article{arxiv.2106.04929,
title = {Fast and More Powerful Selective Inference for Sparse High-order Interaction Model},
author = {Diptesh Das and Vo Nguyen Le Duy and Hiroyuki Hanada and Koji Tsuda and Ichiro Takeuchi},
journal= {arXiv preprint arXiv:2106.04929},
year = {2021}
}