Para penulis mengembangkan kerangka kerja dekonfounding spektral nonlinear untuk peningkatan gradien guna mengatasi sensitivitas terhadap konfounder tersembunyi dalam metode pembelajaran mesin yang fleksibel. Pendekatan ini mengganti kerugian kesalahan kuadrat biasa dengan kerugian spektral, yang memperlambat pembelajaran dalam arah yang sejajar dengan konfounder laten.

  • Metode ini bergantung pada interaksi antara pengecilan spektral dan regularisasi, khususnya penghentian dini, bukan hanya kerugian spektral saja.
  • Interpretasi model campuran menghubungkan pengecilan tipe LAVA dengan penyesuaian efek acak, memungkinkan prosedur Empirical-Bayes untuk penyetelan.
  • Kerangka kerja ini diperluas ke kemungkinan umum dan konfounder nonlinear menggunakan aproksimasi Laplace dan efek acak kernel.

Eksperimen pada data sintetis dan dunia nyata menunjukkan bahwa peningkatan dekonfounded spektral meningkatkan estimasi fungsi target di bawah konfounder tersembunyi sambil secara substansial lebih skalabel daripada baseline nonlinear yang ada.