Stable Prediction with Model Misspecification and Agnostic Distribution Shift
模型误设与未知分布迁移下的稳定预测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：摘要针对通用机器学习预测的模型误设和分布迁移，未指向宏观、金融预测或明确的因果设计，因此不作细分归类。
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…
模型误设与未知分布迁移下的稳定预测
- 研究问题
- 当模型可能误设、测试分布与训练分布不同且事先未知时，如何降低参数估计误差并改善跨测试环境的预测稳定性？
- 方法与思路
- 作者提出去相关加权回归 DWR，联合优化变量去相关正则项与加权回归，通过样本权重降低训练数据中的变量相关。
- 材料陈述的贡献
- 摘要称实验显示，该算法在模型误设和未知分布迁移下改善参数估计准确性及预测稳定性；未陈述相应理论保证。
- 阅读关注点
- 应核对联合优化目标、去相关程度与权重约束，以及实验中的分布迁移机制、比较基准和预测稳定性评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出实验数值或适用边界，不能据变量效应表述认定因果识别。
原文摘要
For many machine learning algorithms, two main assumptions are required to guarantee performance. One is that the test data are drawn from the same distribution as the training data, and the other is that the model is correctly specified. In real applications, however, we often have little prior knowledge on the test data and on the underlying true model. Under model misspecification, agnostic distribution shift between training and test data leads to inaccuracy of parameter estimation and instability of prediction across unknown test data. To address these problems, we propose a novel Decorrelated Weighting Regression (DWR) algorithm which jointly optimizes a variable decorrelation regularizer and a weighted regression model. The variable decorrelation regularizer estimates a weight for each sample such that variables are decorrelated on the weighted training data. Then, these weights are used in the weighted regression to improve the accuracy of estimation on the effect of each variable, thus help to improve the stability of prediction across unknown test data. Extensive experiments clearly demonstrate that our DWR algorithm can significantly improve the accuracy of parameter estimation and stability of prediction with model misspecification and agnostic distribution shift.