U-learning for Prediction Inference via Combinatory Multi-Subsampling: With Applications to LASSO and Neural Networks
基于组合多重子抽样的U学习：面向LASSO与神经网络的预测推断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：摘要聚焦高维预测的统计推断方法（U统计量、子抽样、置信区间）及其在表观遗传年龄预测中的应用，未涉及所给微观、宏观或金融计量细分领域的主题，故不选择任何细分方向。
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…
基于组合多重子抽样的U学习：面向LASSO与神经网络的预测推断
- 研究问题
- 摘要称，当传统渐近方法不适用时，如何对高维输入（如DNA甲基化位点）得到的连续结局预测做有效推断，即构造具有有效条件覆盖概率的预测置信区间。
- 方法与思路
- 作者提出一种U学习（U-learning）方法，通过组合多重子抽样构造集成预测，将集成估计量纳入广义U统计量框架，并借助Hájek投影推导预测方差、构造置信区间；方法应用于LASSO与深度神经网络。
- 材料陈述的贡献
- 摘要称其贡献是提出组合多重子抽样的U学习框架，用于集成预测与连续结局预测的置信区间构造，并声称区间具有有效条件覆盖概率；通过数值研究展示推断有效性，并应用于多种健康状况患者的DNA甲基化年龄预测。
- 阅读关注点
- 应核对广义U统计量框架与Hájek投影的具体假设、条件覆盖概率的定义与验证方式、子抽样组合方案的选择、数值研究的设计与对比基准，以及DNAmAge应用中的数据来源与结论边界。
- 阅读边界
- 仅凭摘要无法判断识别假设是否成立、条件覆盖概率的理论保证强度、数值结果的具体表现，也无法确认方法相对既有推断方法的优劣；摘要未说明子抽样数量、样本规模与实现细节。
原文摘要
Epigenetic aging clocks play a pivotal role in estimating an individual's biological age through the examination of DNA methylation patterns at numerous CpG (Cytosine-phosphate-Guanine) sites within their genome. However, making valid inferences on predicted epigenetic ages, or more broadly, on predictions derived from high-dimensional inputs, presents challenges. We introduce a novel U-learning approach via combinatory multi-subsampling for making ensemble predictions and constructing confidence intervals for predictions of continuous outcomes when traditional asymptotic methods are not applicable. More specifically, our approach conceptualizes the ensemble estimators within the framework of generalized U-statistics and invokes the Hájek projection for deriving the variances of predictions and constructing confidence intervals with valid conditional coverage probabilities. We apply our approach to two commonly used predictive algorithms, Lasso and deep neural networks (DNNs), and illustrate the validity of inferences with extensive numerical studies. We have applied these methods to predict the DNA methylation age (DNAmAge) of patients with various health conditions, aiming to accurately characterize the aging process and potentially guide anti-aging interventions.