MNAR缺失情况下的域适应
统计方法学
2025-04-02 v1 机器学习
摘要
当前的域适应方法在缺失情况下的迁移受限于随机缺失（MAR）机制。然而，在许多实际情景中，MAR假设可能过于严格。当源数据和目标数据中的协变量缺失不属于随机（MNAR）时，常见的协变量漂移解决方案，包括重要性加权，无法直接应用。我们表明，在合理的假设下，MNAR缺失漂移问题可归约为插值问题。这使我们能够利用传统统计学和机器/深度学习文献中针对MNAR插值的近近进展方法，开发出一种针对MNAR缺失漂移的新型域适应程序。我们进一步表明，可将所提出的程序扩展以处理同时存在MNAR缺失和协变量漂移的情况。我们将该程序应用于来自美国南部和东北部两家医院的电子健康记录（EHR）数据。在此情境中，我们期望不同医院网络和地区服务于不同人群，并具有不同的程序、做法和软件用于输入和记录数据，从而导致同时存在缺失和协变量漂移。
引用
@article{arxiv.2504.00322,
title = {Domain Adaptation Under MNAR Missingness},
author = {Tyrel Stokes and Hyungrok Do and Saul Blecker and Rumi Chunara and Samrachana Adhikari},
journal= {arXiv preprint arXiv:2504.00322},
year = {2025}
}