研究者提出ELOS子集选择框架

Yundi Kong、Min Yang 与 Ping-Shou Zhong 提出面向测量受限线性回归的子数据选择框架 ELOS（Expected Loss Optimal Selection），用于响应变量获取成本高、且模型误设难以避免的场景。 该框架以预测期望损失为目标，导出仅依赖协变量信息、无需在筛选阶段观测响应的 A-optimality 型准则。研究者称，模拟研究与真实数据应用显示，ELOS 在多种场景下预测表现较强，优于现有方法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。