基于软IPOD的多视图回归鲁棒协同学习

多视图数据分析对于整合来自多个数据源的异质信息日益重要。协作学习通过衔接早期融合与后期融合策略，为多视图整合提供了一个灵活的框架。然而，其采用的平方损失使其容易受到异常值的影响。在本研究中，我们基于 soft-IPOD 框架提出了一种稳健的协作学习方法。该方法在协作学习目标函数中引入了观测特异性的异常值吸收向量，从而在保留各视图间信息共享的同时，降低异常观测的影响。所得优化问题可利用增广设计矩阵表述为一种加权 Lasso 型问题，并且能够自然地扩展至两个以上的数据视图。数值模拟以及在分娩启动预测中的真实数据应用表明，在存在异常值的情况下，所提出方法具有良好的预测性能。

多视角数据分析对于整合来自多个数据源的异质信息变得日益重要。协同学习通过衔接早期融合与后期融合策略，为多视角整合提供了一个灵活的框架。然而，由于采用平方损失，协同学习对离群值较为敏感。在本研究中，我们基于软 IPOD 框架提出了一种稳健的协同学习方法。该方法在协同学习目标函数中引入了观测特异性的离群值吸收向量，从而在保留不同视角之间信息共享的同时，降低离群观测的影响。所得优化问题可借助增广设计矩阵表述为一种加权 Lasso 型问题，并且能够自然扩展至两个以上的数据视角。数值模拟以及针对产程开始预测的真实数据应用表明，在存在离群值的情况下，所提出方法具有良好的预测性能。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.24.754279v1?rss=1

🏷️ 多视图数据分析 鲁棒回归 协作学习 异常值处理 加权Lasso 分娩启动预测