Lehigh大学のTaeho Kim氏が率いる国際チームは、Maximum Agreement Linear Predictor (MALP)を開発した。これは、予測を現実世界の値に密接に合わせる新しい方法である。Concordance Correlation Coefficientを最大化することで、MALPは伝統的なアプローチを特に健康と生物学のアプリケーションで上回る。眼スキャンと体脂肪データのテストが、最小二乗法に対するその利点を示している。
Lehigh大学の数学者と国際的な協力者らが、Maximum Agreement Linear Predictor (MALP)を導入した。これは、健康研究、生物学、社会科学などの分野での予測を改善するための手法である。助教授Taeho Kim氏が率いるこの方法は、Concordance Correlation Coefficient (CCC)を最大化することに焦点を当て、散布図上で予測値と観測値が45度線に沿ってどれだけ密接に一致するかを測定し、精度と正確性の両方を強調する。
伝統的な方法、例えば最小二乗法は、主に平均誤差を最小化することを目指すが、実際の値との強い一致を保証しない場合がある。「時には、予測が単に近いだけでなく、現実の値との最高の一致を求めたいのです」とKim氏は説明する。彼は、Pearsonの相関が線形関係を検出する一方で、45度線の一致を具体的に狙わないのに対し、1989年にLin氏が導入したCCCは異なる点を指摘する。
MALPをテストするため、研究者らはシミュレーションデータと現実の測定値を使用した。眼科研究では、Cirrus OCTデータからのStratus OCT読み取りの予測を比較し、26の左目と30の右目の画像を使用した。MALPはStratusの真の値により密接に一致する予測を生み出したが、最小二乗法は平均誤差をわずかに更好地減らした。これはトレードオフを示している。
252人の成人の体脂肪データでも同様のパターンが現れ、体重や腹囲などの測定値を使って体脂肪率を推定した。MALPは再び一致度で優位に立ち、最小二乗法は誤差をより効果的に最小化した。Kim氏は優先事項に基づいてツールを選択することを強調する：一致のためのMALP、誤差削減のための伝統的方法。
この仕事は、2025年9月5日付のarXivプレプリント（DOI: 10.48550/arXiv.2304.04221）に詳述されており、医学、公衆衛生、経済、工学での予測を強化する可能性がある。将来的な拡張は、線形予測を超えて一般的なMaximum Agreement Predictorへ広げることを目指す。