基于图的预测模型用于数据去偏
统计方法学
2025-04-22 v2 机器学习
信号处理
摘要
数据收集中的偏差——无论是来自低报还是高报——在医疗保健和公共安全等关键应用中都 presents significant 挑战。在本工作中，我们引入了基于图的过度和不足报告去偏方法（Graph-based Over- and Under-reporting Debiasing, GROUD），这是一种新型的基于图的优化框架，通过联合估计真实事件计数及其相关报告偏差概率来对报告数据进行去偏。我们将偏差建模为在由地理因素或特征相似性构成的图上平滑的信号，该凸优化 formulation 不仅确保唯一解，还在某些假设下提供了理论恢复保证。我们在具有挑战性的模拟实验和真实数据集上验证了 GROUD——包括亚特兰大紧急呼叫记录和新冠疫苗不良反应报告——显示其在准确恢复去偏计数方面的鲁棒性和优异性能。这一方法为受报告不规则性影响的系统中的更可靠下游决策铺平了道路。
引用
@article{arxiv.2504.09348,
title = {Graph-Based Prediction Models for Data Debiasing},
author = {Dongze Wu and Hanyang Jiang and Yao Xie},
journal= {arXiv preprint arXiv:2504.09348},
year = {2025}
}
备注
We submitted this arXiv version by mistake. We have decided to update the original submission (arXiv:2307.07898) instead of submitting a separate article