Modello Additivo Meta per Apprendimento Sparso Robusto

Un nuovo modello additivo meta (MAM) che utilizza l'ottimizzazione a due livelli supera le carenze degli attuali modelli additivi sparsi nell'analisi di dati ad alta dimensionalità. I modelli convenzionali lottano sotto l'errore quadratico medio in presenza di rumore complesso, come disturbi non gaussiani, outlier, etichette rumorose e categorie sbilanciate. Le tecniche esistenti di riponderazione dei campioni dipendono da funzioni di ponderazione predeterminate e richiedono la selezione manuale degli iperparametri. Al contrario, MAM determina autonomamente la ponderazione delle singole perdite parametrizzando la funzione di ponderazione attraverso un percettrone multistrato (MLP) addestrato su metadati, garantendo così prestazioni robuste in diversi compiti di apprendimento senza la necessità di regolazioni manuali.