論文の概要: Transfer Learning for Meta-analysis Under Covariate Shift
- arxiv url: http://arxiv.org/abs/2604.02656v2
- Date: Mon, 06 Apr 2026 19:17:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 12:54:27.244757
- Title: Transfer Learning for Meta-analysis Under Covariate Shift
- Title（参考訳）: 共変量シフトによるメタアナリシスの伝達学習
- Abstract要約: そこで本研究では,ソース・テリトリーの結果を豊富なプロキシ・シグナルとして扱い,ターゲット・テリトリー・プラセボの結果を少ない,高忠実なゴールド・ラベルとして扱うプラセボ・アンコール・トランスポート・フレームワークを提案する。
接続された設定全体では、提案手法は最善か最善か最善かで、プロキシのみ、ターゲットのみ、トランスポートベースラインよりも大幅に改善される。
- 参考スコア（独自算出の注目度）: 4.022283857139673
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Randomized controlled trials often do not represent the populations where decisions are made, and covariate shift across studies can invalidate standard IPD meta-analysis and transport estimators. We propose a placebo-anchored transport framework that treats source-trial outcomes as abundant proxy signals and target-trial placebo outcomes as scarce, high-fidelity gold labels to calibrate baseline risk. A low-complexity (sparse) correction anchors proxy outcome models to the target population, and the anchored models are embedded in a cross-fitted doubly robust learner, yielding a Neyman-orthogonal, target-site doubly robust estimator for patient-level heterogeneous treatment effects when target treated outcomes are available. We distinguish two regimes: in connected targets (with a treated arm), the method yields target-identified effect estimates; in disconnected targets (placebo-only), it reduces to a principled screen--then--transport procedure under explicit working-model transport assumptions. Experiments on synthetic data and a semi-synthetic IHDP benchmark evaluate pointwise CATE accuracy, ATE error, ranking quality for targeting, decision-theoretic policy regret, and calibration. Across connected settings, the proposed method is best or near-best and improves substantially over proxy-only, target-only, and transport baselines at small target sample sizes; in disconnected settings, it retains strong ranking performance for targeting while pointwise accuracy depends on the strength of the working transport condition.
- Abstract（参考訳）: ランダム化制御試験は、しばしば決定がなされた人口を表しておらず、研究間の共変量シフトは、標準IDDメタアナリシスと輸送推定器を無効にすることができる。
そこで,本研究では,ソース・テリトリーの結果を豊富なプロキシ信号として扱うプラセボ・アンコール・トランスポート・フレームワークを提案し,ターゲット・テリトリー・プラセボの結果を,ベースラインリスクのキャリブレーションを行うための,少ない高忠実度金ラベルとして扱う。
低複雑さ(スパース)補正は、ターゲット個体群にプロキシ結果モデルをアンカーし、アンカーされたモデルは、クロスフィットされた二重頑健な学習者に埋め込まれ、ターゲット治療結果が利用可能である場合に患者レベル不均一な治療効果に対して、Neyman-orthogonal, target-site-dubly robust 推定器を得る。
本手法では, 対象を識別した効果推定値(プレースボのみ)を, 明確な作業モデル輸送仮定の下で, 原則化されたスクリーン-then-トランスポート手順に還元する。
合成データと半合成IHDPベンチマークの実験は、ポイントワイズCATE精度、ATEエラー、ターゲティングのためのランキング品質、決定論的ポリシーの後悔、キャリブレーションを評価する。
接続された設定全体において、提案手法は最善か最善か最善かのどちらかであり、小さなターゲットのサンプルサイズでプロキシオンリー、ターゲットオンリー、トランスポートベースラインを大幅に改善する。
関連論文リスト
- Causal Generalization of Continuous Treatment Effects under Covariate Shift [3.504408436046102]
平均線量応答関数は連続的な治療の因果効果を要約するために広く用いられている。
既存の手法の多くは、観測されたサンプルが対象の個体数を表すと仮定している。
論文 参考訳（メタデータ） (2026-08-19T18:56:16Z) - Inferential Evaluation of Surrogate-Derived Models under Covariate Shift [5.27896359595804]
トランスファーラーニング環境では、サロゲートラベルから派生したモデルが、ゴールド標準結果が観測されないターゲット人口に展開される可能性がある。
小型のゴールドラベル源,大型のサロゲートラベル源,未ラベルターゲットを用いた3サンプル設定について検討した。
条件付き輸送性では,ターゲット個体群における潜伏する金標準結果に対して,サロゲート由来のモデルを評価する。
論文 参考訳（メタデータ） (2026-08-16T15:05:38Z) - IADD-TR: Intervention-Aware Dynamics Decoupling with Targeted Regularization for Model-Based Reinforcement Learning [57.16513298507272]
IADD-TRは、IADD(Intervention-Aware Dynamics Decoupling)とTR(Targeted Regularization)を組み合わせた統合フレームワークである。
IADDは、ゼロアクションアンカーを用いて、アクション干渉段階とアクションフリー自然進化段階への遷移を分解し、堅牢な一般化のためにこの2段階の分解の非特異性を解決する。
政策学習においては,リプレイ状態の政策段階関数の効率的な影響関数からTRを導出する。
論文 参考訳（メタデータ） (2026-08-11T08:20:02Z) - A Unified Causal Inference Framework for the Desirability of Outcome Ranking Paradigm in Benefit-Risk Evaluation [4.180783670528547]
このフレームワークは,2つの治療戦略の下での限界順序分布の双線形関数としてDOOR確率を表現している。
点推定シミュレーションは、G計算、正規化逆確率重み付け(IPW)、拡張IPW(AIPW)、ターゲット最大推定(TMLE)を比較した。
CVTMLE-SLは, DOORスケールバイアス, 基礎となる順序分布の回復, 標準エラー精度, 信頼区間カバレッジにおいて, 最強の総合的性能を示した。
論文 参考訳（メタデータ） (2026-08-05T14:57:06Z) - Uncertainty-Guided LLM Semantic Augmentation for Heterogeneous Treatment Effect Estimation [9.269164572474216]
不均一な治療効果を推定することは、パーソナライズされたプロモーションや精密な医療など、標的となる介入の中心である。
本研究では, 条件付き平均治療効果 (CATE) に着目した。
提案するCURL(Causal Uncertainty-Guided Representation Learning)は,推定器の不確実性を利用して,事前学習した意味能力を局所不安定単位に割り当てるプラグインアダプタである。
論文 参考訳（メタデータ） (2026-07-29T08:20:17Z) - Doubly Robust Proxy Causal Learning with Neural Mean Embeddings [58.8808794752741]
我々は、連続的かつ構造化された治療を用いて因果学習をプロキシするための、神経的に二重に頑健なフレームワークを開発する。
このフレームワークは、人口、不均一、条件付き線量応答関数をカバーし、完全な応答曲線推定器を生成する。
合成および画像評価ベンチマーク全体で、提案した推定器は既存のベースラインと単一ブリッジニューラル推定器より優れている。
論文 参考訳（メタデータ） (2026-05-10T12:50:25Z) - DARTS: Targeting Prognostic Covariates in Budget-Constrained Sequential Experiments [47.61857875238484]
我々はトンプソンサンプリング(DARTS)による動的適応的ランダム化を導入する。
DARTSは、共変量取得を設計に基づく因果推論タスクに埋め込まれた逐次最適化問題として扱う。
我々は,最小限の値と対数的因子とを一致させる獲得層に対してベイズリスクを導出する。
論文 参考訳（メタデータ） (2026-05-07T17:27:51Z) - Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。
我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。
本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-11-17T08:27:13Z) - A Set of Generalized Components to Achieve Effective Poison-only Clean-label Backdoor Attacks with Collaborative Sample Selection and Triggers [44.52811445373329]
クリーンラベルのバックドアアタックは、ラベルを変更することなく単にデータセットを中毒させることで、攻撃者が望んだ振る舞いをDNNに隠密に注入することを目的としている。
バックドアを効果的に埋め込むため、攻撃成功率(ASR)とステルスネスの様々な攻撃要件に対して複数のテキストブラガーが提案されている。
論文 参考訳（メタデータ） (2025-09-24T09:58:31Z) - DFW: A Novel Weighting Scheme for Covariate Balancing and Treatment Effect Estimation [0.0]
観測データから因果効果を推定することは、選択バイアスのため困難である。
本稿では,新しい確率スコアに基づく手法であるDeconfounding Factor Weighting (DFW)を提案する。
DFWは、高度に凝縮したサンプルの影響を緩和しながら、より縮小されたサンプルを優先する。
論文 参考訳（メタデータ） (2025-08-07T09:51:55Z) - Continuous Treatment Effect Estimation Using Gradient Interpolation and
Kernel Smoothing [43.259723628010896]
個人を個別に標本化し,反現実的結果を推測する直接的アプローチを提唱する。
提案手法を5つのベンチマークで評価し,提案手法が6つの最先端手法よりも精度が高いことを示す。
論文 参考訳（メタデータ） (2024-01-27T15:52:58Z) - Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。
我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。
因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
論文 参考訳（メタデータ） (2023-12-15T22:04:53Z) - Distributional Shift-Aware Off-Policy Interval Estimation: A Unified
Error Quantification Framework [8.572441599469597]
本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。
目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。
提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
論文 参考訳（メタデータ） (2023-09-23T06:35:44Z) - Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。
これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文 参考訳（メタデータ） (2023-01-20T20:14:32Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳（メタデータ） (2021-10-12T22:04:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。