Representation Retrieval Learning for Heterogeneous Data Integration

Qi Xu

doi:10.1080/01621459.2026.2696485

Representation Retrieval Learning for Heterogeneous Data Integration

2026-09-08

0

OA

AI

DOI：10.1080/01621459.2026.2696485

原文链接

原文求助

摘要

En 中文

在大数据时代，大规模、多源、多模态数据集日益普遍，为预测建模和科学发现提供了前所未有的机遇。然而，这些数据集通常表现出复杂的异质性，如协变量偏移、后验漂移和块状缺失，这些因素会降低现有监督学习算法的预测性能。为同时应对这些挑战，我们提出了一种新的表示检索（R²）框架，该框架整合了表示学习模块字典（表示者字典）与数据源特定的稀疏诱导机器学习模型（学习器）。在该R²框架下，我们引入了每个表示者的“整合性”概念，并提出了一种新的“选择性整合惩罚”（SIP），以明确鼓励更具整合性的表示者来提升预测性能。理论上，我们证明R²框架的过剩风险界由表示者的整合性决定，而SIP有效改善了过剩风险。广泛的模拟研究验证了R²框架及其SIP的优越性能。我们进一步将该方法应用于两个真实数据集，以确认其经验上的成功。本文的补充材料可在网上获取，包括用于复现工作的标准化材料描述。

Keyword:

Blockwise missing data

Excess risk bound

Multi-modality data

Multi-task learning

Representation learning

Representation Retrieval Learning for Heterogeneous Data Integration

摘要

期刊

机构

引用论文