具有低秩结构的多维域泛化
统计方法学
2023-09-19 v1 机器学习
摘要
在传统统计与机器学习方法中，通常假设测试数据与训练数据同分布。然而该假设并非总成立，尤其在目标群体在训练数据中代表性不足的应用中。这在健康相关研究中尤为突出，特定族群可能代表性不足，对旨在对这些少数群体进行统计推断的研究者构成重大挑战。本文提出一种在线性回归模型中应对该挑战的新方法。我们将所有子群体的模型参数组织为一个张量。通过研究结构化张量补全问题，可实现鲁棒的域泛化，即对学习数据有限或缺失的子群体进行推断。我们的方法新颖地利用了组标签的结构，能产生更可靠且可解释的泛化结果。我们建立了该方法的严格理论保证并证明其极小极大最优性。为验证方法有效性，我们进行了大量数值实验及一项针对多族群教育水平预测的实数据研究，并与其他现有方法比较。
引用
@article{arxiv.2309.09555,
title = {Multi-dimensional domain generalization with low-rank structures},
author = {Sai Li and Linjun Zhang},
journal= {arXiv preprint arXiv:2309.09555},
year = {2023}
}