MARC

 008260126s2025        us                              c    eng  d
■001000017358261
■00520260202103822
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798280719101
■035    ▼a(MiAaPQ)AAI32041390
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aJiang,  Yicong.▼0(orcid)0009-0001-4354-4732
■24510▼aOn  Statistical  Learning  for  Structural  Data:  Data  Fusion  and  Semi-Supervised  Learning  ▼b结构化数据中的统计学习：数据融合与半监督学习
■260    ▼a[Sl]▼bHarvard  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a242  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aIncludes  supplementary  digital  materials.
■500    ▼aAdvisor:  Janson,  Lucas;Ke,  Zheng  Tracy.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2025.
■520    ▼aNowadays,  with  the  rise  of  the  large  data  era,  data  tends  to  become  more  complex  and  structural.  The  data  may  incorporate  various  different  sources,  with  distinct  data  quality,  sample  size,  or  set  of  covariates.  For  instance,  in  ecological  inference  and  validation  studies  of  epidemiology,  it  is  common  that  the  predictor  and  response  of  interest  are  gathered  in  different  datasets.  However,  many  statistical  estimands  of  interest  (e.g.,  in  regression  or  causality)  are  functions  of  the  joint  distribution  of  multiple  random  variables.  In  this  scenario,  the  only  possible  approach  is  one  of  data  fusion,  where  multiple  independent  data  sets,  each  measuring  a  subset  of  the  random  variables  of  interest,  are  combined  for  inference.  In  general,  since  all  random  variables  are  never  observed  jointly,  their  joint  distribution,  and  hence  also  the  estimand  which  is  a  function  of  it,  is  only  partially  identifiable.  Unfortunately,  the  endpoints  of  the  partially  identifiable  region  depend  in  general  on  entire  conditional  distributions,  rendering  them  hard  both  operationally  and  statistically  to  estimate.  Inspired  by  this  challenge,  in  the  first  chapter,  we  present  a  novel  outer-bound  on  the  region  of  partial  identifiability  (and  establish  conditions  under  which  it  is  tight)  that  depends  only  on  certain  conditional  first  and  second  moments.  This  allows  us  to  derive  semiparametrically  efficient  estimators  of  our  endpoint  outer-bounds  that  only  require  the  standard  machine  learning  toolbox  which  learns  conditional  means.  We  prove  asymptotic  normality  and  semiparametric  efficiency  of  our  estimators  and  provide  consistent  estimators  of  their  variances,  enabling  asymptotically  valid  confidence  interval  construction  for  our  original  partially  identifiable  estimand.  We  demonstrate  the  utility  of  our  method  in  simulations  and  a  data  fusion  problem  from  economics.Beyond  multi-source  datasets,  specialized  formats--such  as  network  data--are  also  a  crucial  component  of  structured  data.  With  the  large  amount  of  networks  and  graphs  in  the  modern  data  age,  such  as  social  networks  (Facebook,  LinkedIn,  etc.),  citation  networks,  and  medical  networks  (e.g.,  propagation  networks  of  treatment,  infection  networks  of  viruses),  a  proper  theory  for  unveiling  the  underlying  network  sub-structures  like  communities  becomes  increasingly  essential.  Motivated  by  social  network  analysis  and  network-based  recommendation  systems,  in  the  second  chapter,  we  study  a  semi-supervised  community  detection  problem  in  which  the  objective  is  to  estimate  the  community  label  of  a  new  node  using  the  network  topology  and  partially  observed  community  labels  of  existing  nodes.  The  network  is  modeled  using  a  degree-corrected  stochastic  block  model,  which  allows  for  severe  degree  heterogeneity  and  potentially  non-assortative  communities.  We  propose  an  algorithm  that  computes  a  `structural  similarity  metric'  between  the  new  node  and  each  of  the  K  communities  by  aggregating  labeled  and  unlabeled  data.  The  estimated  label  of  the  new  node  corresponds  to  the  value  of  k  that  maximizes  this  similarity  metric.  Our  method  is  fast  and  numerically  outperforms  existing  semi-supervised  algorithms.  Theoretically,  we  derive  explicit  bounds  for  the  misclassification  error  and  show  the  efficiency  of  our  method  by  comparing  it  with  an  ideal  classifier.  Our  findings  highlight,  to  the  best  of  our  knowledge,  the  first  semi-supervised  community  detection  algorithm  that  offers  theoretical  guarantees.An  extension  of  community  detection  is  mixed  membership  estimation  (MME),  which  is  a  classical  problem  in  network  data  analysis.  It  extends  community  detection  by  allowing  a  node  to  have  fractional  memberships  in  multiple  communities.  One  major  challenge  in  mixed  membership  estimation  is  to  discover  the  underlying  simplex  structure  of  the  high-dimensional  data,  which  corresponds  to  the  membership  of  each  individual.  Previous  literature  mainly  focuses  on  leveraging  the  data  itself  to  identify  the  simplex  in  an  unsupervised  learning  fashion.  However,  in  many  scenarios,  prior  information  may  be  available.  For  instance,  the  past  user  history  of  certain  individuals  in  a  social  network  may  provide  a  clue  to  their  membership.  To  incorporate  this  class  of  knowledge,  in  the  third  chapter,  we  consider  a  semi-supervised  setting  where  the  membership  vectors  of  a  subset  of  nodes  are  given.  This  problem  is  significantly  more  challenging  than  semi-supervised  community  detection,  and  to  the  best  of  our  knowledge,  it  has  not  been  studied  in  most  previous  literature.  We  discover  an  insightful  structural  equation  for  utilizing  the  known  labels,  which  inspires  a  delicate  way  of  extending  unsupervised  mixed-membership  estimation  algorithms  to  the  semi-supervised  setting.  Compared  to  unsupervised  algorithms  for  identifying  the  vertex  structure,  our  method  does  not  require  the  existence  of  pure  nodes  and  needs  fewer  regularity  conditions  on  the  vertices.  Additionally,  assuming  a  degree-corrected  mixed  membership  model,  we  provide  theoretical  guarantees  of  our  algorithm,  and  show  that  it  is  efficient  in  the  sense  that  its  error  rate  is  the  same  as  a  least  squares  problem  with  more  prior  information  on  the  vertices.  To  the  best  of  our  knowledge,  this  is  the  first  semi-supervised  vertex  hunting  algorithm  with  a  theoretical  guarantee.  We  also  demonstrate  the  excellent  performance  of  our  algorithm  in  several  empirical  studies,  illustrating  that  with  only  a  tiny  fraction  of  the  label  information,  our  method  can  dramatically  outperform  unsupervised  algorithms.
■590    ▼aSchool  code:  0084.
■650  4▼aStatistics
■650  4▼aComputer  science
■653    ▼aCommunity  detection
■653    ▼aData  fusion
■653    ▼aDouble  machine  learning
■653    ▼aMixed-membership  estimation
■653    ▼aSemi-supervised  learning
■653    ▼aSemiparametric
■690    ▼a0463
■690    ▼a0984
■690    ▼a0501
■71020▼aHarvard  University▼bStatistics.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358261▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서