基于相似性的信息传递学习用于多变量功能受 censured 分位回归
统计方法学
2025-03-25 v1
摘要
为解决在目标中心（目标队列）样本有限且严格的数据共享隐私限制下利用其他器官移植中心（来源队列）患者数据以改进生存时间估计与推断的问题，我们提出了相似性信息传递学习（Similarity-Informed Transfer Learning, SITL）方法。该方法通过灵活地基于其与目标队列相似性从每个来源队列中利用信息来估计多变量功能受 censured 分位回归。此外，该方法适用于 continuously updated 实时数据的动态更新。我们建立了使用 SITL 方法获取的估计量的渐近性质，证明其收敛率得到改进。此外，我们发展了一种将 SITL 方法与抽样技术结合以构建功能系数更准确置信区间的增强方法，并具备理论保证。广泛的模拟研究和肾脏移植数据应用表明，SITL 方法相较于仅依赖目标队列或在来源队列和目标队列之间随意合并数据的各种方法，在估计和推断性能上都显著优越。
关键词
引用
@article{arxiv.2503.18437,
title = {Similarity-Informed Transfer Learning for Multivariate Functional Censored Quantile Regression},
author = {Hua Liu and Jiaqi Men and Shouxia Wang and Jinhong You and Jiguo Cao},
journal= {arXiv preprint arXiv:2503.18437},
year = {2025}
}
备注
32 pages, 3 figures