論文の概要: Distributionally Robust Transfer Learning with Structurally Missing Covariates, with Application to Cross-National Cardiac Arrest Prediction

• arxiv url: http://arxiv.org/abs/2605.24212v1
• Date: Fri, 22 May 2026 20:53:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.747457
• Title: Distributionally Robust Transfer Learning with Structurally Missing Covariates, with Application to Cross-National Cardiac Arrest Prediction
• Title（参考訳）: 構造的欠落した共変量を用いたロバスト伝達学習とクロスナショナル心停止予測への応用
• Authors: Siqi Li, Chuan Hong, Ziye Tian, Benjamin Sieu-Hon Leong, Koshi Nakagawa, Hideharu Tanaka, Sang Do Shin, Khuong Quoc Dai, Do Ngoc Son, Marcus Eng Hock Ong, Nan Liu, Molei Liu,
• Abstract要約: 本稿では,予測モデルを対象人口に転送するフレームワークとしてDRUM(underlineDtributionally underlineRobust underlineUn)を提案する。 DRUMは, より良い教師付き予測を行い, 臨床分類性能の向上を図っている。
• 参考スコア（独自算出の注目度）: 6.540707401117924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying clinical prediction models across healthcare systems often fails when key training covariates are unavailable at deployment and labeled outcomes are limited in the target domain. For example, high-performing models for out-of-hospital cardiac arrest (OHCA) rely on detailed prehospital measurements routinely collected in high-resource settings but unavailable in many international registries. Existing methods either discard missing covariates, sacrificing predictive information, or rely on untestable assumptions about their target distribution. We propose DRUM (\underline{D}istributionally \underline{R}obust \underline{U}nsupervised transfer learning with structurally \underline{M}issing covariates), a framework that transfers prediction models to target populations where certain covariates are structurally absent and outcome labels are unavailable. DRUM partitions covariates into shared components ($X$), observed across all settings, and missing components ($A$), observed only in the source. Rather than imputing missing covariates, DRUM optimizes worst-case predictive performance over the unknown target distribution of $A \mid X$ using a neural network generator, with a robustness parameter controlling allowable deviation from the source conditional. We further develop a bias correction procedure that reduces sensitivity to nuisance estimation error. Simulations show substantial improvements in both mean and worst-case prediction error under distribution shift. Applied to cross-national OHCA prediction, transferring models from a US registry to multiple Asian registries where prehospital variables are unrecorded, DRUM yields better-calibrated predictions and improved clinical classification performance across sites.
• Abstract（参考訳）: 医療システムに臨床予測モデルを配置することは、主要なトレーニング共変体がデプロイ時に利用できなくなり、ラベル付きの結果がターゲットドメインで制限される場合、しばしば失敗する。 例えば、オフ・オブ・ホスピタル心停止(OHCA)の高パフォーマンスモデルは、高リソース環境で定期的に収集される詳細な前房温熱測定に依存しているが、多くの国際レジストリでは利用できない。 既存の方法は、欠落した共変量を捨てたり、予測情報を犠牲にしたり、あるいは目標分布に関する証明不可能な仮定に依存する。 DRUM(\underline{D}istributionally \underline{R}obust \underline{U}nsupervised transfer learning with Structurely \underline{M}issing covariates)を提案する。 DRUMパーティショニングは共有コンポーネント(X$)、すべての設定で観測されるコンポーネント(A$)、ソースでのみ観測されるコンポーネント(A$)に共変する。 DRUMは、欠落した共変量を示すのではなく、ニューラルネットワークジェネレータを使用して、未知のターゲット分布である$A \mid X$に対して最悪のケース予測性能を最適化する。 さらに,ニュアンス推定誤差に対する感度を低減させるバイアス補正手法を開発した。 シミュレーションでは,分布シフト時の平均および最悪の予測誤差が大幅に改善された。 国家間のOHCA予測に適用し、米国レジストリから先天的な変数が記録されていない複数のアジアレジストリにモデルを転送することで、DRUMはより良い校正予測と、サイト全体の臨床分類性能を向上させる。

関連論文リスト

• Active Multiple-Prediction-Powered Inference [2.1710524042938073]
  医療のデプロイ後のモニタリングには統計的に有効なラベル効率の方法が必要であるが、クリニックチャートのゴールドスタンダードラベルは高価である。 我々は,各インスタンスをコスト適切な予測器にルーティングし,金標準ラベルを比例してサンプリングし,単一のデプロイ時間に予測を再現する予測能動型推論(AM-PPI)を提案する。
  論文  参考訳（メタデータ） (2026-05-08T19:48:57Z)
• Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions [0.0]
  ゲノミクスの実験では、交換可能性はしばしば、対象変数を「影響を受けない」ままにしておく介入のサブセットにのみ保持される。 i)「影響のない」キャリブレーション例の誤分類が、明示的な関数$g(,n)$の汚染分数とキャリブレーションセットサイズを介してどのようにカバレッジを劣化させるか、および (ii) 2つの後続指標$Z_a,i=mathbf1iinmathrmdesc(a)$のみを推定するタスク駆動部分因果学習の定式化。
  論文  参考訳（メタデータ） (2026-03-02T18:58:22Z)
• Anatomically-aware conformal prediction for medical image segmentation with random walks [8.829058131683764]
  コンフォーマル予測(CP)は統計的に有効な予測区間を構築するための強力な分布自由フレームワークである。 本稿では,任意のセグメンテーション法上に付加可能なモデルに依存しないフレームワークであるランダム-ウォーク整形予測(RW-CP)を提案する。
  論文  参考訳（メタデータ） (2026-01-26T22:16:07Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• PRISM: Mitigating EHR Data Sparsity via Learning from Missing Feature Calibrated Prototype Patient Representations [7.075420686441701]
  PRISMは、類似した患者のプロトタイプ表現を活用することで、データを間接的にインプットするフレームワークである。 PRISMには、ステータスの欠如を考慮した各機能の信頼性を評価する機能信頼モジュールも含まれている。 MIMIC-III, MIMIC-IV, PhysioNet Challenge 2012, eICU データセットを用いた実験により, PRISM の院内死亡予測と30日間の読解作業における優れた性能が示された。
  論文  参考訳（メタデータ） (2023-09-08T07:01:38Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。