Unsupervised domain adaptation under hidden confounding
隐藏混杂下的无监督领域适应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：摘要明确讨论隐藏混杂、因果参数识别和干预下的预测机制。
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…
隐藏混杂下的无监督领域适应
- 研究问题
- 面对具有隐藏混杂且分布不同的数据来源，如何在一致估计因果参数的同时，适应测试环境并形成有效预测？
- 方法与思路
- 作者构造刻画响应噪声与协变量依赖的新目标量，将因果参数纳入生成模型，以适应测试环境的条件分布。
- 材料陈述的贡献
- 摘要称，在可经验检验的假设下实现识别与干预下的分布对齐，并在模拟及心血管疾病数据中报告预测优势。
- 阅读关注点
- 应核对可检验假设的精确定义、无监督场景可使用的目标域信息，以及任意干预下对齐结论的适用范围。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明识别假设，预测优势和任意干预表述均待核对。
原文摘要
We introduce a new predictive mechanism that operates in the presence of hidden confounding across distributionally diverse data sources while ensuring consistent estimation of causal parameters-despite their recognized suboptimality for prediction in the literature. Our method is based on a novel estimand that captures the dependence structure between response noise and covariates, incorporating causal parameters into a generative model that adaptively replicates the conditional distribution of the test environment. Identifiability is achieved under a straightforward, empirically verifiable assumption. Our approach ensures probabilistic alignment with test distributions uniformly across arbitrary interventions, enabling valid predictions without requiring worst-case optimization or assumptions about the strength of perturbations at test time. Through extensive simulations, we demonstrate that our method outperforms state-of-the-art invariance-based and domain adaptation approaches. Additionally, we validate its practical applicability and superior target risk performance on a cardiovascular disease dataset.