Near-optimal rate of consistency for linear models with missing values
Résumé
Missing values arise in most real-world data sets due to the aggregation of multiple sources and intrinsically missing information (sensor failure, unanswered questions in surveys...). In fact, the very nature of missing values usually prevents us from running standard learning algorithms.
In this paper, we focus on the extensively-studied linear models, but in presence of missing values, which turns out to be quite a challenging task.
Indeed, the Bayes rule can be decomposed as a sum of predictors corresponding to each missing pattern. This eventually requires to solve a number of learning tasks, exponential in the number of input features, which makes predictions impossible for current real-world datasets.
First, we propose a rigorous setting to analyze a least-square type estimator and establish a bound on the excess risk which increases exponentially in the dimension. Consequently, we leverage the missing data distribution to propose a new algorithm, and
derive associated adaptive risk bounds that turn out to be minimax optimal. Numerical experiments highlight the benefits of our method compared to state-of-the-art algorithms used for predictions with missing values.
Domaines
Machine Learning [stat.ML]
Fichier principal
main.pdf (564.36 Ko)
Télécharger le fichier
GMM.pdf (13.84 Ko)
Télécharger le fichier
GMM_T.pdf (14 Ko)
Télécharger le fichier
HD-3.pdf (16.38 Ko)
Télécharger le fichier
MAR.pdf (13.93 Ko)
Télécharger le fichier
MAR_T.pdf (14.01 Ko)
Télécharger le fichier
MCAR.pdf (17.32 Ko)
Télécharger le fichier
MCAR_T.pdf (17.19 Ko)
Télécharger le fichier
RealData2.pdf (16.16 Ko)
Télécharger le fichier
exdata.png (42.41 Ko)
Télécharger le fichier
experimentation.pdf (28.17 Ko)
Télécharger le fichier
frontpage_bg.jpg (459.74 Ko)
Télécharger le fichier
illustrationDiffE.pdf (13.53 Ko)
Télécharger le fichier
illustrationDiffRegime.pdf (20.71 Ko)
Télécharger le fichier
illustrationLemme.pdf (15.83 Ko)
Télécharger le fichier
illustrationPara.pdf (14.06 Ko)
Télécharger le fichier
illustrationParaBertrand.pdf (14.06 Ko)
Télécharger le fichier
illustrationParaRenyi.pdf (14.85 Ko)
Télécharger le fichier
there-are-two-types-of-people-those-who-can-extrapolate-from-incomplete-data.jpg (128.97 Ko)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|