Transfer Learning for Error-Contaminated Poisson Regression Models
Poisson regression model has been a popular approach to characterize the count response and the covariates. With the rapid development of data collections, the additional source information can be easily recorded. To efficiently use the source data to improve the estimation under the original data, the transfer learning method is considered a strategy. However, challenging issues from the given datasets include measurement error and high-dimensionality in variables, which are not well explored in the context of transfer learning. In this paper, we propose a novel strategy to handle error-prone count responses and estimate the parameters in measurement error models by using the source data, and then employ the transfer learning method to derive the corrected estimator. Moreover, to improve the prediction and avoid the model uncertainty, we further establish the model averaging strategy. Simulation and breast cancer data studies verify the satisfactory performance of the proposed method.
Apprentissage par transfert pour les modèles de régression de Poisson contaminés par des erreurs
Le modèle de régression de Poisson est une approche couramment utilisée pour caractériser la réponse de comptage et les covariables. Grâce au développement rapide des collectes de données, les informations supplémentaires provenant des sources peuvent être facilement enregistrées. Afin d'utiliser efficacement les données sources pour améliorer l'estimation à partir des données d'origine, la méthode d'apprentissage par transfert est considérée comme une stratégie. Cependant, les ensembles de données fournis posent des problèmes complexes, notamment des erreurs de mesure et une dimensionnalité élevée des variables, qui ne sont pas bien explorés dans le contexte de l'apprentissage par transfert. Dans cet article, nous proposons une nouvelle stratégie pour traiter les réponses de comptage sujettes à erreur et estimer les paramètres dans les modèles d'erreur de mesure en utilisant les données sources, puis nous employons la méthode d'apprentissage par transfert pour dériver l'estimateur corrigé. De plus, afin d'améliorer la prédiction et d'éviter l'incertitude du modèle, nous établissons également une stratégie de moyennage des modèles. Des simulations et des études sur des données relatives au cancer du sein confirment les performances satisfaisantes de la méthode proposée.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English