लेखकों ने लचीले मशीन-लर्निंग तरीकों में छिपे हुए कन्फाउंडर्स के प्रति संवेदनशीलता को दूर करने के लिए ग्रेडिएंट बूस्टिंग के लिए एक अरेखीय स्पेक्ट्रल डिकॉफाउंडिंग फ्रेमवर्क विकसित किया है। यह दृष्टिकोण साधारण वर्ग-त्रुटि हानि को एक स्पेक्ट्रल हानि से बदल देता है, जो छिपे हुए कन्फाउंडर्स के साथ संरेखित दिशाओं में सीखने की गति को धीमा कर देता है।
- विधि स्पेक्ट्रल श्रिंकेज और नियमितकरण (विशेष रूप से अर्ली स्टॉपिंग) के बीच अन्योन्यक्रिया पर निर्भर करती है, न कि केवल स्पेक्ट्रल हानि पर।
- एक मिक्स्ड-मॉडल व्याख्या LAVA-प्रकार श्रिंकेज को यादृच्छिक-प्रभाव समायोजन से जोड़ती है, जिससे ट्यूनिंग के लिए एक एम्पिरिकल-बेयस प्रक्रिया संभव होती है।
- फ्रेमवर्क को लाप्लास सन्निकटनों और कर्नेल यादृच्छिक प्रभावों का उपयोग करके सामान्य संभावनाओं और अरेखीय कन्फाउंडिंग तक विस्तारित किया गया है।
सिंथेटिक और वास्तविक-दुनिया के डेटा पर प्रयोग दिखाते हैं कि स्पेक्ट्रली डिकॉफाउंडिंग बूस्टिंग छिपी हुई कन्फाउंडिंग के तहत लक्ष्य फलन अनुमान में सुधार करती है, जबकि मौजूदा अरेखीय बेलाइन की तुलना में काफी अधिक स्केलेबल है।