标签置乱下的线性回归
机器学习
2017-05-05 v2
摘要
是否可能对标签相对于输入被置乱的数据集进行线性回归？我们通过提出若干估计量来探索此问题，这些估计量从被未知置换置乱的标签中恢复含噪线性模型的权重。我们表明，经典最小二乘估计量的类比在此设定下产生不一致估计，并引入一种基于输入特征与标签自矩的估计量。我们研究了各估计量表现优异的情形，并将这些估计量推广到以独立重复实验形式提供部分排序信息的设定。结果是一个支持鲁棒推断的框架，正如我们在合成与标准数据集上的实验所展示的，其中我们仅使用置乱标签便能恢复近似权重。我们的工作表明，在缺乏完整排序信息情况下的线性回归是可能的，并且可能具有实际意义，特别是在表征粒子群体的实验（如流式细胞术）中。
引用
@article{arxiv.1705.01342,
title = {Linear Regression with Shuffled Labels},
author = {Abubakar Abid and Ada Poon and James Zou},
journal= {arXiv preprint arXiv:1705.01342},
year = {2017}
}