Robust Inference for Federated Meta-Learning
联邦元学习的稳健推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要将平均处理效应推断列为明确应用；联邦元学习的一般框架不支持其他所列细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
联邦元学习的稳健推断
- 研究问题
- 多站点存在异质性且无法共享个体数据时，如何对与多数站点相符的主导模型推断，并计入站点筛选的不确定性？
- 方法与思路
- 作者提出 RIFL 框架，以新的抽样方法处理自适应站点选择引入的额外变异，并构造无需个体层面数据共享的置信区间。
- 材料陈述的贡献
- 摘要称区间有效性不要求站点筛选完全无误，方法适用于参数模型、高维预测和平均处理效应，并展示多中心医疗应用。
- 阅读关注点
- 应核对多数站点共享模型的条件、合格站点筛选规则、抽样机制，以及允许筛选出错时置信区间仍有效的具体范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明有效推断的完整条件，也未给出医疗应用的覆盖率或效应数值。
原文摘要
Synthesizing information from multiple data sources is critical to ensure knowledge generalizability. Integrative analysis of multi-source data is challenging due to the heterogeneity across sources and data-sharing constraints due to privacy concerns. In this paper, we consider a general robust inference framework for federated meta-learning of data from multiple sites, enabling statistical inference for the prevailing model, defined as the one matching the majority of the sites. Statistical inference for the prevailing model is challenging since it requires a data-adaptive mechanism to select eligible sites and subsequently account for the selection uncertainty. We propose a novel sampling method to address the additional variation arising from the selection. Our devised CI construction does not require sites to share individual-level data and is shown to be valid without requiring the selection of eligible sites to be error-free. The proposed robust inference for federated meta-learning (RIFL) methodology is broadly applicable and illustrated with three inference problems: aggregation of parametric models, high-dimensional prediction models, and inference for average treatment effects. We use RIFL to perform federated learning of mortality risk for patients hospitalized with COVID-19 using real-world EHR data from 16 healthcare centers representing 275 hospitals across four countries.