Multiply Robust Federated Estimation of Targeted Average Treatment Effects
目标总体平均处理效应的多重稳健联邦估计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：摘要明确以目标总体平均处理效应为对象，研究多中心因果推断、信息迁移和稳健估计。
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…
关注这篇论文的作者
目标总体平均处理效应的多重稳健联邦估计
- 研究问题
- 在多中心协变量分布和变量集合不同、个体数据需要保护的条件下，如何融合来源中心信息，对目标总体进行有效因果推断？
- 方法与思路
- 作者构造多重稳健且保护隐私的干扰函数估计，调整中心间协变量偏移与不匹配，再通过迁移学习确定来源中心的信息组合权重。
- 材料陈述的贡献
- 摘要称所学权重在不同情景下具有效率和最优性，并以有限样本比较展示相对现有方法的效率与稳健性优势。
- 阅读关注点
- 应核对跨中心效应迁移和重叠条件、协变量不匹配的定义、多重稳健的模型组合，以及隐私保护机制与权重最优性的判据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明隐私保证形式、稳健条件或比较数值，不能认定对任意异质性有效。
原文摘要
Federated or multi-site studies have distinct advantages over single-site studies, including increased generalizability, the ability to study underrepresented populations, and the opportunity to study rare exposures and outcomes. However, these studies are challenging due to the need to preserve the privacy of each individual's data and the heterogeneity in their covariate distributions. We propose a novel federated approach to derive valid causal inferences for a target population using multi-site data. We adjust for covariate shift and covariate mismatch between sites by developing multiply-robust and privacy-preserving nuisance function estimation. Our methodology incorporates transfer learning to estimate ensemble weights to combine information from source sites. We show that these learned weights are efficient and optimal under different scenarios. We showcase the finite sample advantages of our approach in terms of efficiency and robustness compared to existing approaches.