研究人员开发了一种新的半参数聚类多任务学习自适应融合正交估计器。该方法解决了具有潜在聚类结构的任务中异质干扰成分带来的挑战。所提出的框架将 Neyman 正交损失与数据驱动的融合惩罚相结合，实现了潜在聚类的准确恢复和近乎最优的性能。 AI
影响 引入了一种新颖的多任务学习统计方法，可以提高复杂异质数据集的性能。
排序理由 这是一篇发表在 arXiv 上的研究论文，详细介绍了一种新的统计估计方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
新的估计器通过 Neyman 正交性处理异质聚类多任务学习
报道来源 [2]
-
Adaptive Estimation and Inference in Semi-parametric Heterogeneous Clustered Multitask Learning via Neyman Orthogonality
arXiv:2605.01907v1 Announce Type: new Abstract: We study clustered multitask learning in a semiparametric setting where tasks share a latent cluster structure in their target parameters but exhibit heterogeneous, potentially infinite-dimensional nuisance components. Such heteroge…
-
Adaptive Estimation and Inference in Semi-parametric Heterogeneous Clustered Multitask Learning via Neyman Orthogonality
We study clustered multitask learning in a semiparametric setting where tasks share a latent cluster structure in their target parameters but exhibit heterogeneous, potentially infinite-dimensional nuisance components. Such heterogeneity poses a major challenge for existing multi…