Privacy-preserving Meta-analysis through Low-Rank Basis Hunting
通过低秩基函数搜寻实现保护隐私的元分析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：摘要明确将条件平均处理效应函数作为跨总体预测对象，因此与因果效应的迁移和元分析直接相关。
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
通过低秩基函数搜寻实现保护隐私的元分析
- 研究问题
- 各研究总体与目标总体存在未知差异、且无法获得个体数据时，如何预测目标总体的回归或条件平均处理效应函数？
- 方法与思路
- 作者假设研究函数位于少量潜在基函数的凸包，扩展顶点搜寻算法恢复基函数，再学习混合权重并构造共形预测区间。
- 材料陈述的贡献
- 摘要称，MetaHunt 可仅依赖研究层信息进行函数预测，并在正则条件下恢复基函数，在可交换性等条件下获得渐近边际覆盖。
- 阅读关注点
- 应核对低秩凸包结构、基函数可恢复条件、研究间可交换性，以及函数估计误差对预测区间覆盖的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明正式隐私保证，边际覆盖也不等于各目标总体的条件覆盖。
原文摘要
A central challenge of meta-analysis is that the populations underlying existing studies often differ from the target population in unknown ways. We study the problem of predicting function-valued quantities, such as regression and conditional average treatment effect functions, for a new target population using only study-level covariates and study-specific function estimates. We propose MetaHunt, a new meta-analysis methodology based on a shared low-rank structure, in which the true function from each study lies within the convex hull of a small set of latent basis functions. To recover these basis functions, we extend a vertex-hunting procedure called the Successive Projection Algorithm to the functional setting, incorporating a denoised basis-hunting step. We establish consistency of the recovered basis functions under mild regularity conditions. We then model the relationship between study-level covariates and the corresponding mixing weights using flexible semi-parametric or non-parametric methods. MetaHunt is privacy-preserving and enables meta-analytic prediction based on study-level information alone, even when individual-level data are unavailable to analysts. In addition, for each study, functions of interest can be estimated using possibly different machine learning algorithms. For uncertainty quantification, we construct prediction intervals via conformal prediction. We show that, under exchangeability and mild estimation-error conditions, these intervals achieve asymptotically valid marginal coverage. We demonstrate the effectiveness of MetaHunt through both simulation studies and empirical applications. An open-source software package is available for implementing MetaHunt.