gLOP：用于捕捉预测异质性的全局与局部惩罚
机器学习
2016-08-02 v1 机器学习
摘要
面对监督学习问题时，我们希望拥有足够丰富的数据来构建能良好预测未来实例的模型。然而在实践中，问题可能表现出预测异质性：大多数实例可能相对容易预测，而其他实例可能是预测离群点，对于在整个数据集上训练的模型而言表现不佳。识别这些有助于聚焦未来的数据收集。我们提出gLOP（全局与局部惩罚），一个用于捕捉预测异质性和识别预测离群点的框架。gLOP基于用于多任务学习的惩罚回归，其通过利用来自相关任务的训练信号信息来改进学习。我们给出了gLOP的两种优化算法，一种空间高效，另一种给出完整的正则化路径。我们还根据数据和调优参数刻画了唯一性，并展示了在合成数据以及两个健康研究问题上的实证结果。
引用
@article{arxiv.1608.00027,
title = {gLOP: the global and Local Penalty for Capturing Predictive Heterogeneity},
author = {Rhiannon V. Rose and Daniel J. Lizotte},
journal= {arXiv preprint arXiv:1608.00027},
year = {2016}
}
备注
Presented at 2016 Machine Learning and Healthcare Conference (MLHC 2016), Los Angeles, CA