基于相关高斯过程的弱监督多输出回归
机器学习
2023-07-04 v2 机器学习
摘要
多输出回归旨在借用不同但相关输出之间的共性和杠杆作用，以提高学习和预测精度。一个基本假设是所有观测的输出/组标签都是已知的。这个假设在实际应用中经常被违反。例如，在医疗数据集中，种族等敏感属性经常缺失或未报告。为此，我们引入了一种基于相关高斯过程的弱监督多输出模型。我们的方法能够利用没有完整组标签的数据，或者仅利用组隶属的先验信念，来提高所有输出的精度。通过在胰岛素、睾酮和体脂数据集上的密集模拟和案例研究，我们展示了我们的模型在缺失标签的多输出设置中表现出色，同时在传统的完全标记设置中也具有竞争力。最后，我们强调了我们的方法在公平推理和顺序决策中的可能用途。
引用
@article{arxiv.2002.08412,
title = {Weakly-supervised Multi-output Regression via Correlated Gaussian Processes},
author = {Seokhyun Chung and Raed Al Kontar and Zhenke Wu},
journal= {arXiv preprint arXiv:2002.08412},
year = {2023}
}