Federated Adaptive Causal Estimation (FACE) of Target Treatment Effects
目标人群处理效应的联邦自适应因果估计（FACE）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：摘要明确围绕目标人群处理效应、多站点因果估计及异质性调整展开。
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…
目标人群处理效应的联邦自适应因果估计（FACE）
- 研究问题
- 如何整合多个研究站点的异质数据，提高指定目标人群处理效应估计的精度，同时避免模型误设和负迁移损害有效性？
- 方法与思路
- 作者以密度比加权处理站点间协变量分布差异，再通过惩罚回归自适应选择来源权重，各站点仅需一次共享汇总统计量。
- 材料陈述的贡献
- 摘要称方法具有一致性与最优效率；在退伍军人疫苗比较应用中，相对传统方法的标准误降幅为百分之二十六至六十七。
- 阅读关注点
- 应核对目标效应定义、跨站点效应可迁移条件、密度比与惩罚权重的估计要求，以及效率最优性和精度比较的参照方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实。摘要未说明完整识别条件，精度改善也不能直接解释为因果偏差降低。
原文摘要
Federated learning of causal estimands may greatly improve estimation efficiency by leveraging data from multiple study sites, but robustness to heterogeneity and model misspecifications is vital for ensuring validity. We develop a Federated Adaptive Causal Estimation (FACE) framework to incorporate heterogeneous data from multiple sites to provide treatment effect estimation and inference for a flexibly specified target population of interest. FACE accounts for site-level heterogeneity in the distribution of covariates through density ratio weighting. To safely incorporate source sites and avoid negative transfer, we introduce an adaptive weighting procedure via a penalized regression, which achieves both consistency and optimal efficiency. Our strategy is communication-efficient and privacy-preserving, allowing participating sites to share summary statistics only once with other sites. We conduct both theoretical and numerical evaluations of FACE and apply it to conduct a comparative effectiveness study of BNT162b2 (Pfizer) and mRNA-1273 (Moderna) vaccines on COVID-19 outcomes in U.S. veterans using electronic health records from five VA regional sites. We show that compared to traditional methods, FACE meaningfully increases the precision of treatment effect estimates, with reductions in standard errors ranging from $26\%$ to $67\%$.