PriorBoost：一种从聚合响应中学习的自适应算法
机器学习
2024-02-08 v1 数据结构与算法
摘要
本文研究从聚合响应中学习的算法。我们专注于为事件级损失函数构建聚合集（文献中称为袋子）。我们针对线性回归和广义线性模型（GLM）证明，最优装袋问题可简化为带一维尺寸约束的k均值聚类。此外，我们从理论上量化了使用精心构造的袋子相对于随机袋子的优势。随后，我们提出了PriorBoost算法，该算法自适应地形成样本袋子，这些样本在（未观测到的）个体响应方面越来越同质，以提高模型质量。我们研究了聚合学习中的标签差分隐私，并提供了大量实验，表明PriorBoost在事件级预测中通常能达到最优模型质量，这与非自适应算法形成鲜明对比。
引用
@article{arxiv.2402.04987,
title = {PriorBoost: An Adaptive Algorithm for Learning from Aggregate Responses},
author = {Adel Javanmard and Matthew Fahrbach and Vahab Mirrokni},
journal= {arXiv preprint arXiv:2402.04987},
year = {2024}
}
备注
29 pages, 4 figures