.png){kind=icon}
返回
Deconfounding via Profiled Transfer Learning
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2026.2686441.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
未测量的混杂因素是回归效应估计和因果推断中的主要偏倚来源。本文提出了一种新的分层迁移学习框架ProTrans，用于解决目标数据集中的混杂效应问题，当存在具有相似混杂结构的额外源数据集时。我们引入分层残差的概念来表征源数据集和目标数据集之间的共享混杂模式。通过将这些分层残差纳入目标去偏步骤，我们有效缓解了潜在的混杂效应。我们还提出了一种源选择策略，以增强ProTrans对非信息源的鲁棒性。作为副产品，ProTrans还可以用于在存在潜在混杂因素的情况下估计处理效应，而无需使用辅助特征（如工具变量或代理变量），这些变量在实践中往往难以选择。理论上，我们证明了从源到目标所产生的估计模型转换是无混杂的，且无需对真实混杂结构施加特定假设，同时目标参数估计在温和条件下实现了最小最大最优速率。模拟和真实世界实验验证了ProTrans的有效性，并支持理论发现。本研究的补充材料可在线获取，包括用于重现工作的材料的标准化描述。
Keyword:
Confounded models
Deconfounding
Model shift
Transfer learning
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
暂无论文信息