Leveraging mixed and incomplete outcomes via reduced-rank modeling

نتایج چند متغیره با ویژگی های چند متغیره ابعاد بالقوه بالا به طور مرتب در زمینه های مختلف تولید می شود. در بسیاری از مشکلات دنیای واقعی، نتایج جمع آوری شده از انواع مخلوط، از جمله اندازه گیری های پیوسته، شاخص های دودویی و شمارش، و همچنین قابل توجهی از مقادیر ممکن است از دست رفته است. صرف نظر از نوع آنها، این نتایج مخلوط اغلب با یکدیگر ارتباط دارند، نماینده بازتاب های متنوع و یا دیدگاه های مشابه یک مکانیزم تولید اطلاعات است. به همین ترتیب، مدل چند متغیره یکپارچه می تواند سودمند باشد. ما یک رگرسیون ضعیف رتبه بندی ترکیبی را ایجاد می کنیم که به طور موثر اطلاعات را در میان وظایف مختلف پیش بینی می کند. رویکرد ما، نتایج متفاوتی و جزئی مشاهده شده متعلق به خانواده پراکندگی نمایشی، با فرض اینکه همه پیامدها از طریق یک زیر فضای کم فضای مشترک به کار گرفته شده توسط ویژگی ها، ترکیب شده است. معیار منحصر به فرد به طور کلی معادله پیشنهادی پیشنهاد شده است و ما یک عملکرد غیرمحتوضی برای پیش بینی های پیشنهادی را در زمینه یادگیری نظارت با نتایج مخلوطی از یک خانواده ی نمایشی و تحت یک روش نمونه گیری عمومی داده های گمشده ایجاد می کنیم. الگوریتم آستانه ارزش یکپارچه تکراری برای بهینه سازی با تضمین همگرا توسعه یافته است. اثربخشی رویکرد ما با مطالعات شبیه سازی و کاربردی در پیش بینی نتایج مرتبط با سلامت در مطالعات طولی پیری نشان داده شده است.