Handling Covariate Mismatch in Collaborative Linear Prediction
协作线性预测中的协变量不匹配处理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：摘要研究通用的多中心线性预测与缺失协变量，未限定宏观预测或其他所列方向。
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
协作线性预测中的协变量不匹配处理
- 研究问题
- 当多个中心记录的协变量集合不同、个体数据又须保留在本地时，如何整合跨中心信息构建有效的线性预测器？
- 方法与思路
- 在中心内完全随机缺失设定下，低维方法汇总协方差和交叉矩；高维方法先作保持交换性的插补，再拟合岭回归。
- 材料陈述的贡献
- 摘要称提出符合联邦学习约束的预测器，给出渐近与有限样本学习率，刻画维度、特征分组及样本分配的影响。
- 阅读关注点
- 应核对中心内完全随机缺失及交换性的具体定义、跨中心矩信息的可识别条件，以及理论学习率与通信需求。
- 阅读边界
- 依据 arXiv v2 预印本摘要，不能据此声称已同行评审或期刊接收；具体条件、学习率和数值表现未说明。
原文摘要
Training predictive models across multiple centers typically assumes that all centers collect the same set of covariates. In practice, however, they may record different features of their observations, a setting we refer to as covariate mismatch. We study linear prediction under this challenging setting, assuming center-wise MCAR missingness patterns, and develop estimators that exploit information across centers despite heterogeneous feature sets. In the low-dimensional regime, we propose a plug-in estimator of the oracle linear predictor based on component-wise aggregation of covariance and cross-moment estimates. In higher dimensions, we study an impute-then-regress strategy that first completes the missing covariates using an exchangeability-preserving imputation procedure and then fits a ridge-regularized linear model. All proposed estimators are compatible with federated learning constraints: individual-level data remain local to each center, and only aggregated quantities are exchanged. We provide asymptotic and finite-sample learning rates for our predictors, explicitly characterizing their behaviour with the global dimension, the center-specific feature partition, and the distribution of samples across centers, and validate our approach through numerical experiments.