面向欠representd人群的模型辅助和知识引导迁移回归
统计方法学
2024-10-10 v1
摘要
协变量漂移和结果模型异构性是两个突出的挑战，在缺乏准确标签的情况下，利用外部来源来改善欠representd人群的风险建模。我们考虑针对某些无标签少数样本遇到的转移学习问题：（i）与在不同队列上收集的有标签源样本之间的协变量漂移；（ii）具有某些多数样本对目标少数模型有信息。 在这种情况下，我们发展了一种针对欠representd人群的模型辅助和知识引导转移学习（MAKEUP）方法，用于高维回归模型。我们的MAKEUP方法包括针对协变量漂移的模型辅助去偏步骤，以及利用多数数据进行知识稀疏化的程序，以增强在少数群体上的学习。我们还开发了一种模型选择方法，以避免在目标样本上不存在黄金标准标签的情况下的负面知识迁移。理论分析表明，MAKEUP为目标模型在少数群体上提供了有效估计。它对用于协变量漂移更正的复杂性和误指定的nuisance模型保持鲁棒性，同时对多数群体和少数群体之间可能的负面迁移和模型异构性具有适应性。数值研究表明，在有限样本设置下，MAKEUP优于现有方法。我们还通过一个关于在某些欠representd族裔群体上进行Type II糖尿病遗传风险模型转移学习的真实世界应用来说明了我们的方法。
引用
@article{arxiv.2410.06484,
title = {Model-assisted and Knowledge-guided Transfer Regression for the Underrepresented Population},
author = {Doudou Zhou and Mengyan Li and Tianxi Cai and Molei Liu},
journal= {arXiv preprint arXiv:2410.06484},
year = {2024}
}