共変量シフト下でのメタ解析における転移学習
arXiv stat.ML / 2026/4/6
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、ランダム化比較試験間で共変量シフトが生じると、標準的な個票データ（IPD）メタ解析やトランスポート推定器が無効化されうることを扱う。
- 豊富なソース試験のアウトカムを代理シグナルとして用い、乏しいターゲット試験のプラセボアウトカムを高忠実度ラベルとして活用する「プラセボ・アンカー付きトランスポート」枠組みを提案し、ベースラインリスクを較正する。
- 疎で低複雑度の補正により代理モデルをターゲット集団へ固定（アンカー）し、アンカーされたモデルをクロスフィット二重ロバスト学習器の中で用いることで、ネイマン直交（Neyman-orthogonal）なターゲット施設の二重ロバスト推定量によって異質な治療効果を推定する。
- 本手法は、治療群を含むことで効果がターゲット側で識別可能な「接続されたターゲット」と、プラセボのみである「非接続のターゲット（プラセボのみ）」を区別する。後者では、明示的な作業モデル仮定のもとで、スクリーンしてからトランスポートするアプローチになる。
- 合成データでの実験および半合成のIHDPベンチマークにより、特にターゲットのサンプルサイズが小さい場合に強い性能が示される。両レジームでターゲティング（対象化）に関しては良好なランキング結果が得られる一方、非接続設定における点ごとの精度は、作業トランスポート条件がどれだけ正確かに依存する。
