.png){kind=icon}
返回
Stable Subsampling under Model Misspecification and Covariate Shift
.png){kind=icon}
PRE
AI
DOI：10.1145/3769077.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
协变量偏移在训练集和测试集之间的存在，加之模型误设，可能导致回归预测在多样化数据集上出现不稳定。同时，使用海量数据训练复杂模型会带来显著的计算负担。本文提出了一种新颖的无模型子采样算法，用于实现稳定预测，该算法采用均匀设计和混杂变量平衡方法。我们的子采样算法旨在寻找均匀设计下的最近邻子采样点，以最小化全局稳定性损失为目标，从而在减少数据量的同时实现稳定预测。理论分析表明，均匀度量能够最小化最大积分均方误差（MIMSE），而全局稳定性损失评估了每个候选MIMSE最优子采样集中变量间的独立性。在合成数据集上进行的模拟研究，以及在实际数据集上的应用，均证明了所提方法在模型误设和协变量偏移条件下的优越性。
