Robust Joint Modeling for Data with Continuous and Binary Responses
面向连续与二元混合响应的稳健联合建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦混合响应联合建模、稳健损失与高维正则化算法，属于统计学习方法，未涉及所给微观、宏观或金融领域细分的具体主题，故不选择任何细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
面向连续与二元混合响应的稳健联合建模
- 研究问题
- 摘要称，在响应同时包含连续与二元结果的监督学习场景中，如何在高维输入下联合建模这两类混合响应，并在存在离群点与误标注样本时保持稳健，是本文关注的问题。
- 方法与思路
- 作者提出基于密度幂散度（DPD）损失并加入 ℓ1 正则的稳健联合建模框架，给出稀疏估计量，并开发带 Barzilai-Borwein 谱步长的近端梯度算法与稳健信息准则（RIC）用于惩罚参数的数据驱动选择。
- 材料陈述的贡献
- 摘要称该框架可同时预测连续与二元响应，对影响点与误标注样本降权；模拟研究显示其在多种污染机制下预测误差更低、参数估计更准；半导体晶圆研磨案例展示了预测精度、稳健性与可解释性方面的实际收益。
- 阅读关注点
- 应核对 DPD 损失与联合似然的结合方式、稳健性与 ℓ1 稀疏性的识别条件、近端梯度算法的收敛性保证、RIC 的选择一致性依据，以及模拟污染设定与真实案例的评价指标是否支持摘要中的比较结论。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文，无法核实定理、模拟数值与案例结果；这是预印本，不能据此声称已通过同行评审或期刊接收。
原文摘要
In many supervised learning applications, the response consists of both continuous and binary outcomes. Studies have shown that jointly modeling such mixed-type responses can substantially improve predictive performance compared to separate analyses. But outliers pose a new challenge to the existing likelihood-based modeling approaches. In this paper, we propose a new robust joint modeling framework for data with both continuous and binary responses. It is based on the density power divergence (DPD) loss function with the $\ell_1$ regularization. The proposed framework leads to a sparse estimator that simultaneously predicts continuous and binary responses in high-dimensional input settings while down-weighting influential outliers and mislabeled samples. We also develop an efficient proximal gradient algorithm with Barzilai-Borwein spectral step size and a robust information criterion (RIC) for data-driven selection of the penalty parameters. Extensive simulation studies under a variety of contamination schemes demonstrate that the proposed method achieves lower prediction error and more accurate parameter estimation than several competing approaches. A real case study on wafer lapping in semiconductor manufacturing further illustrates the practical gains in predictive accuracy, robustness, and interpretability of the proposed framework.