부분집단·불완전 라벨 자료에서의 준모수 효과 추정과 최적 샘플링 연구

Semiparametric Estimation under Partial Labels and Optimal Sampling

연구 내용

부분 라벨(불완전 관측) 또는 다른 모집단의 분포 차이가 존재할 때 준모수 추정과 최적 샘플링을 통해 효과를 추정하는 연구

완전한 타깃 라벨이 제공되지 않거나 다른 모집단으로부터 부분 정보만 존재하는 상황을 대상으로 추정을 수행합니다. label shift 가정 하에서는 outcome과 covariate 중 covariate만 관측되는 모집단에서 밀도비 정보를 직접 모델링하지 않고도 conditional 기대를 표준 비모수 기법으로 근사하여 파라미터를 추정하는 doubly flexible 절차를 개발합니다. 또한 marginal mean과 quantile 효과를 함께 다루는 semiparametric 모형에서 approximate maximum likelihood 계열의 추정기를 구성하고 일치성과 점근적 성질을 정립합니다. 아울러 EHR에서 positive only 정보가 주어질 때 분류 모델의 평균제곱 오차를 최소화하도록 훈련 서브샘플을 설계하는 최적 샘플링 방법도 제안합니다.

관련 프로젝트

0건

연구 흐름

초기에는 marginal mean과 marginal quantile 효과를 동시에 다루는 semiparametric 접근을 제시하고, approximate maximum likelihood 추정기의 일치성 및 점근적 성질을 정리했습니다. 이후 다른 모집단 간 분포 변화(label shift)와 같이 라벨이 불완전한 조건에서 추정이 가능하도록 doubly flexible 절차를 확장했으며, 대규모 표본 이론과 유한표본 성능 검증을 수행했습니다. 동시에 EHR에서 positive only 라벨이 주어지는 학습 문제에 대해 비용을 고려한 최적 샘플링 절차를 연결하여 적용 가능성을 넓혔고, 이후 실제 저널 논문화 및 이론 정교화를 통해 성과를 축적했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

모집단 전이 기반 정책효과 추정
label shift 조건 하 효과 추정
부분 라벨 EHR 학습
positive only 분류 모델 최적화
marginal mean 효과 추정
marginal quantile 효과 추정
불완전 표본에서의 추정 효율 설계
밀도비 직접 추정 회피 전략
비모수 근사 기반 준모수 추정
분포 차이를 반영한 통계적 분석 설계