Los autores desarrollan un marco de desconfundimiento espectral no lineal para boosting de gradiente con el fin de abordar la sensibilidad a confundidores ocultos en métodos flexibles de aprendizaje automático. Este enfoque reemplaza la pérdida de error cuadrático ordinario por una pérdida espectral, lo que ralentiza el aprendizaje en las direcciones alineadas con los confundidores latentes.
- El método se basa en la interacción entre la reducción espectral y la regularización, particularmente la parada temprana, más que solo en la pérdida espectral.
- Una interpretación de modelo mixto conecta la reducción tipo LAVA con el ajuste de efectos aleatorios, permitiendo un procedimiento de Bayes empírico para la sintonización.
- El marco se extiende a verosimilitudes generales y confusión no lineal utilizando aproximaciones de Laplace y efectos aleatorios de kernel.
Los experimentos en datos sintéticos y del mundo real demuestran que el boosting desconfundido espectral mejora la estimación de la función objetivo bajo confusión oculta, siendo sustancialmente más escalable que las líneas base no lineales existentes.