Os autores desenvolvem um framework de desconfundimento espectral não linear para boosting de gradiente para abordar a sensibilidade a confundidores ocultos em métodos flexíveis de aprendizado de máquina. Esta abordagem substitui a perda de erro quadrático ordinário por uma perda espectral, o que desacelera o aprendizado nas direções alinhadas com os confundidores latentes.
- O método depende da interação entre a redução espectral e a regularização, particularmente o early stopping, em vez da perda espectral sozinha.
- Uma interpretação de modelo misto conecta a redução do tipo LAVA ao ajuste de efeitos aleatórios, permitindo um procedimento de Bayes empírico para sintonização.
- O framework é estendido para verossimilhanças gerais e confusão não linear usando aproximações de Laplace e efeitos aleatórios de kernel.
Experimentos em dados sintéticos e do mundo real demonstram que o boosting desconfundido espectral melhora a estimativa da função alvo sob confusão oculta, sendo substancialmente mais escalável do que as linhas de base não lineares existentes.