Deconfounding via Profiled Transfer Learning
通过剖面化迁移学习消除混杂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：摘要直接针对未测混杂导致的效应估计偏误，并讨论借助来源数据进行去偏和处理效应估计。
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…
通过剖面化迁移学习消除混杂
- 研究问题
- 当目标数据存在未测混杂、且另有混杂模式相近的来源数据时，能否借助跨数据集信息降低效应估计偏误？
- 方法与思路
- 作者提出 ProTrans，以剖面化残差刻画来源与目标的共同混杂模式，将其纳入目标去偏步骤，并筛选无信息来源。
- 材料陈述的贡献
- 摘要称，所估来源到目标的模型变化可不受混杂影响，目标参数估计达到极小极大最优速率，并展示无需工具或代理变量的应用。
- 阅读关注点
- 应核对共享混杂模式的具体要求、剖面化残差的可估性、无混杂模型变化的证明范围，以及最优速率的参数空间。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出温和条件，不能将无需特定混杂结构理解为无识别假设。
原文摘要
Unmeasured confounders are a major source of bias in regression-based effect estimation and causal inference. In this paper, we propose a new profiled transfer learning framework, ProTrans, to address confounding effects in the target dataset, when additional source datasets with similar confounding structures are available. We introduce the concept of profiled residuals to characterize the shared confounding patterns between source and target datasets. By incorporating these profiled residuals into the target debiasing step, we effectively mitigate the latent confounding effects. We also propose a source selection strategy to enhance the robustness of ProTrans to noninformative sources. As a byproduct, ProTrans can also be used to estimate treatment effects in the presence of potential confounders, without the use of auxiliary features such as instrumental or proxy variables, which are often challenging to select in practice. Theoretically, we prove that the resulting estimated model shift from the sources to the target is confounding-free without imposing specific assumptions on the true confounding structure, and that the target parameter estimation achieves the minimax optimal rate under mild conditions. Simulated and real-world experiments validate the effectiveness of ProTrans and support the theoretical findings.