Meta Additive Model：自動重み付けによる解釈可能なスパース学習

arXiv cs.LG / 2026/4/23

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、損失項ごとの重み付けを固定せずデータに基づいて学習することで、スパース加法モデルを改善する新しい Meta Additive Model（MAM）を提案します。
既存のスパース加法モデルは多くの場合、平均二乗誤差のもとで学習するため、外れ値・ノイズのあるラベル・クラス不均衡などの複雑で非ガウス的なノイズ下で性能が大きく低下し得ますが、MAMはこれらの課題に対処します。
MAMは二重レベル最適化を用い、メタデータで学習したMLPにより損失の重み付け関数をパラメータ化することで、複数のタスク形式（変数選択、ロバスト回帰、不均衡分類など）に対応します。
著者らは、緩やかな仮定のもとで計算の収束、アルゴリズムとしての汎化、変数選択の整合性に関する理論的な保証を提示しています。
実験では、MAMが合成データおよび実データの両方で、さまざまなデータ破損（corruption）条件において複数の最先端の加法モデルより優れていることが示されています。