Domain Generalization and Adaptation in Intensive Care with Anchor Regression
重症监护中的锚回归域泛化与域适应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：摘要以锚回归这一因果启发的正则化方法处理分布偏移，属于因果推断方法在预测建模中的应用。
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…
重症监护中的锚回归域泛化与域适应
- 研究问题
- 摘要称，研究关注预测模型部署到新医院时因分布偏移导致性能下降的问题，并在多中心ICU数据上考察因果启发的域泛化能否改善分布外表现。
- 方法与思路
- 作者提出将锚回归应用于九个ICU数据库、约40万患者的大规模数据，并引入锚提升这一基于树的非线性扩展；同时按可用目标域数据量评估性能，划分三种情形。
- 材料陈述的贡献
- 摘要称锚正则化改善了分布外性能，尤其在最不相似的目标域；方法对锚外生性等理论假设的违背似较稳健；并提出量化外部数据价值的框架，区分域泛化、域适应与数据充裕三种情形。
- 阅读关注点
- 应核对锚变量的选取与外生性论证、锚提升的具体构造与调参、九个数据库的异质性处理、分布外性能指标，以及三种情形划分的阈值与稳健性。
- 阅读边界
- 仅凭摘要无法判断识别假设是否成立、结果是否可复现或优于其他方法；这是arXiv预印本，未经同行评审或期刊接收验证。
原文摘要
The performance of predictive models in clinical settings often degrades when deployed in new hospitals due to distribution shifts. This paper presents a large-scale study of causality-inspired domain generalization on heterogeneous multi-center intensive care unit (ICU) data. We apply anchor regression and introduce anchor boosting, a novel, tree-based nonlinear extension, to a large dataset comprising 400,000 patients from nine distinct ICU databases. We find that anchor regularization yields improvements of out-of-distribution performance, particularly for the most dissimilar target domains. The methods appear robust to violations of theoretical assumptions, such as anchor exogeneity. Furthermore, we propose a novel conceptual framework to quantify the utility of large external data datasets. By evaluating performance as a function of available target-domain data, we identify three regimes: (i) a domain generalization regime, where only the external model should be used, (ii) a domain adaptation regime, where refitting the external model is optimal, and (iii) a data-rich regime, where external data provides no additional value.