缺失偏移下的稳健预测
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
本文提出了一种新的预测模型StableMiss，旨在解决缺失数据和协变量变化问题。通过双重参数技术和自适应线性回归模型，提高了预测的准确性和鲁棒性。同时，探讨了协变量转移下贝叶斯神经网络的性能及其改进方法，强调了不确定性量化的重要性。
🔎
延伸解读
缺失数据下的预测挑战与StableMiss的应对
现实数据常存在缺失，且训练与测试分布可能因协变量变化而不同，导致传统模型性能下降。StableMiss通过双重参数技术近似学习每个缺失模式下的不变最优预测器，旨在同时应对缺失和分布转移，提升预测稳定性。
自适应线性回归：联合填补与预测
针对缺失特征，自适应线性回归模型让回归系数随观测特征自适应变化，并等价于联合学习填补规则与下游线性回归，而非顺序进行。这种联合框架可推广至非线性模型，在非随机缺失下提升样本外准确率2-10%。
协变量转移下的贝叶斯神经网络与不确定性量化
贝叶斯神经网络在协变量转移下可能因输入特征线性相关导致后验收缩不足，影响稳健性。为此，研究者提出新的先验分布以改进BNN。同时，扩展Conformal Prediction可在协变量分布不同时提供无分布预测区间，实现不确定性量化。
❓
Q&A
StableMiss模型的主要目的是什么？
StableMiss模型旨在解决缺失数据和协变量变化问题，提高预测的准确性和鲁棒性。
StableMiss模型是如何提高预测准确性的？
通过双重参数技术和自适应线性回归模型，StableMiss模型提高了预测的准确性和鲁棒性。
协变量转移对贝叶斯神经网络的影响是什么？
协变量转移可能导致贝叶斯神经网络的后验收缩不足，影响模型的性能。
不确定性量化在预测模型中有何重要性？
不确定性量化有助于提高模型的鲁棒性和预测准确性，尤其在处理协变量转移时。
如何处理缺失数据以提高预测效果？
可以通过两阶段自适应优化问题和自适应线性回归模型来处理缺失数据，从而提高预测效果。
StableMiss模型的创新点是什么？
StableMiss模型的创新点在于采用双重参数技术和自适应线性回归模型，增强了对缺失数据和协变量变化的适应能力。
🏷️
