PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2602.17894v2stat.ML

편향되고 비용이 높은 데이터 소스로부터의 학습: 예산 제약 하 미니맥스 최적 데이터 수집

Learning from Biased and Costly Data Sources: Minimax-optimal Data Collection under a Budget

데이터 수집은 현대 통계 및 기계학습 파이프라인의 핵심 구성 요소이며, 특히 관심 대상인 목표 모집단을 연구하기 위해 여러 이질적인 소스로부터 데이터를 수집해야 할 때 더욱 그렇다. 의학 연구나 정치 여론조사와 같은 많은 사용 사례에서 서로 다른 소스는 서로 다른 표본 추출 비용을 발생시킨다. 관측값에는 종종 관련된 집단 정체성이 부여되며—예를 들어 건강 지표, 인구통계학적 특성, 또는 정치적 성향—이러한 집단의 상대적 구성은 소스 모집단들 사이에서뿐만 아니라 소스와 목표 모집단 사이에서도 크게 달라질 수 있다. 본 연구에서는 고정 예산 하 다중 소스 데이터 수집을 연구하며, 모집단 평균 및 집단 조건부 평균의 추정에 초점을 맞춘다. 우리는 단순한 데이터 수집 전략(예: 목표 분포를 "맞추려" 시도하는 것)이나 표준 추정량(예: 표본 평균)에 의존하는 것이 매우 차선책일 수 있음을 보인다. 대신, 우리는 유효 표본 크기—총 표본 크기를 $D_{χ^2}(q\mid\mid\overline{p}) + 1$로 나눈 값—를 최대화하는 표본 추출 계획을 개발한다. 여기서 $q$는 목표 분포, $\overline{p}$는 집계된 소스 분포, $D_{χ^2}$는 $χ^2$-발산이다. 우리는 이 표본 추출 계획을 고전적인 사후층화(post-stratification) 추정량과 짝지어 그 위험(risk)의 상계를 구한다. 우리는 대응하는 하계를 제공하여, 우리의 접근법이 예산 제약 하 미니맥스 최적 위험을 달성함을 확립한다. 우리의 기법은 초과 위험(excess risk)을 최소화하는 예측 문제로도 확장되며, 비용이 높고 이질적인 데이터 소스를 사용한 다중 소스 학습에 대한 원칙적인 접근법을 제공한다.