跳转至

Federated learning of robust individualized decision rules with application to heterogeneous multihospital sepsis population

作者: Xinlei Chen, Victor B. Talisa, Xiaoqing Tan, Zhengling Qi, Jason N. Kennedy et al.
来源: Annals of Applied Statistics
主题: 因果推断
相关性: 8/10
机构绿灯: University of Pittsburgh（US News 前 50，免分进入精读）
链接: https://doi.org/10.1214/25-aoas2017

一、领域脉络与小综述

这个方向是什么

本方向解决的根本问题是：在数据来源高度异质（如不同医院）且隐私法规禁止数据集中共享的限制下，如何从有限训练源（如几家医院）学习一个个性化的治疗/决策规则（Individualized Decision Rule, IDR），使其能安全、有效且一致地改善目标人群（如整个医疗系统的所有医院，包括未参与训练的医院）中每位患者的个体结局。 核心挑战在于训练数据与部署数据之间存在不可忽略的分布偏移（distributional shift）——即参与训练的医院与未参与医院的患者人群特征、治疗方案执行、医护团队水平等均可能存在系统差异。当前该方向介于“个性化治疗规则（ITR）”与“多源/联邦学习下的分布鲁棒优化”两个成熟子领域的交叉处，正从追求单一总体平均最优转向关注最坏情况下的个体结局保障，并开始重视隐私约束下的现实部署。

发展脉络（从引言和引用句重建）

作者将已有工作大致安排在4个关键节点上，构成一条清晰的链条。以下列出每一节点的代表性工作，并用作者原文对其的定位来标示：

  1. 奠基：从“总体平均”到“个体化”的治疗策略估计（~2010年代初期至中期）
  2. Q-learning 与 A-learning 等经典框架（如 Robins 2004; Murphy 2003; Schulte et al. 2014）：建立了最优治疗规则的识别与估计基础，本质假设数据来自一个同质总体。作者在引言中将其定位为“traditional approaches assume that data are sampled from a single population of interest”——这个假设在跨医院场景中直接失效。

  3. Zhou, Mayer-Hamblett & Zeng 2022：考虑了“单一总体+SUTVA”之外的早期异质性，但仅限于医院作为随机效应的一维分层，仍假设各医院患者条件分布可交换。

  4. 主要进展：处理单一层面的分布偏移——协变量变换与个体化最优与稳健估计

  5. Kallus & Zhou 2018; Bica et al. 2021：开始将 distributional robustness 引入 IDR，学习能在未见目标总体上仍保持某种最优性的规则。但这是个体化规则的鲁棒化，尚未处理“训练医院成一个联盟、推向未训练医院”的联邦设置与数据不可共享约束。

  6. 当前Frontier：联邦学习 + 异质性多源数据下的IDR（~2021至今）

  7. Blanchet et al. 2019; Duchi et al. 2021：定义了“最大化最小奖励（maximin reward）”框架，在优化目标中处理源间的分布不确定性。但其目标是全局均匀的“群体水平”鲁棒，而非个体水平的结局（即未考虑协变量条件效应，仍是边缘最差平均）。

  8. 作者自己的工作（Chen et al. 2023, 引用本文的早期版本或实时）：提出条件最大化最小（conditional maximin） 目标，将分布鲁棒性下放到每个观测协变量水平，使个体也能受惠；并设计了一个去中心化联邦学习算法以满足数据共享限制。作者在引言中将其定位为“a new objective function and a federated learning algorithm for learning IDRs that are robust to distributional uncertainty”。

  9. 本文的位置：在3的框架下，将条件最大化最小目标与离散治疗决策（binary treatment, 对应于脓毒症管理中的某个关键二元决策）相结合，在UPMC多医院真实数据上从理论等价性（等价于极小极大对抗分布鲁棒优化）到真实世界应用（生存率提升2-10pp）做出完整验证。作者framing为“能保证最恶劣情况下个体水平的改善”，而不仅仅是平均。

子线索聚类（从被引和已知工作）

  • 线索1：单一同质总体下的最优IDR（Q-learning、A-learning、T-learner等；如 Schulte et al. 2014, Robins et al. 2004）。已在UPMC场景中失效。
  • 线索2：分布偏移下的鲁棒策略学习（群体水平）（maximin reward, distributionally robust optimization; 如 Blanchet et al. 2019, Duchi et al. 2021）。已能保证跨源平均性能的低分位数，但不能保证个体水平的最坏表现。
  • 线索3：联邦学习下的IDR（如 Wang et al. 2019, Ruan et al. 2021）。已有联邦平均等算法，但没有专门为IDR的鲁棒性设计目标函数——通常只是学一个全局策略再分发给各医院，这会导致医院间性能差异大。
  • 线索4：个体化分布鲁棒决策（本文的主线）——条件最大化最小IDR + 联邦学习。本文是这个线索上的第一篇完整理论➕实证应用论文。

核心问题一览（2-4个）

  1. 识别问题：在只观测到部分医院的全ITR数据下，能否识别一个对所有潜在医院（包括未观测的）都“不太差”的个性化规则？需要什么假设？
  2. 估计问题：在跨医院协变量分布不可知且数据不可共享条件下，如何高效估计条件最大化最小目标函数？联邦学习是否收敛到一致目标？
  3. 理论效率问题：条件最大化最小IDR的 minimax 最优率是多少？是否能达到分布鲁棒估计的经典速率（如\(\sqrt{n}\)-收敛）？
  4. 实用性检验：该规则在真实多医院数据上是否果真在福利上优于全局最优规则，且对最差医院/个体也有改进？

⚠️ 作者的 framing（必须明确标注成“作者的说法”）

  • 作者把缺口框成：现有最大化最小（maximin）目标只关注群体水平，不关心个体协变量条件效应，因此不能保证对“可能经历极端不良结局的患者”的改善。他们提出的条件最大化最小目标天然下放协变量条件维度，等价于一个对抗性分布鲁棒优化，从而能保证最坏个体的结局。
  • 被他们淡化或回避的竞争路线：
  • 元学习（meta-learning）框架（如 MAML; Finn et al. 2017）能否在这种异质多医院数据上微调出跨医院IDR？作者并未在introduction中讨论可能的元学习基线。
  • 因果推断框架下的个体化治疗规则估计，有一个重要分支是“offset”或“transfer learning”（如 Oberst et al. 2020) 专门处理source-to-target的域适应——作者并未深入对比。
  • 值得研究者去查：参考文献列表中为什么没有元学习 / MAML 的代表性工作（如 Finn et al 2017），以及因果推断 transfer learning（如 Johansson et al 2021，关于近迁移下individual treatment effect estimation）？这是遗漏还是刻意淡化？建议用户自己在Google Scholar中检索“meta-learning + individualized treatment rule + hospital heterogeneity”来验证是否存在已被明显skip的竞争方向。

张力

未见明显对立引用。所有主要工作在同质的假设层级上（同质总体→鲁棒群体→个性化跨源），按复杂性递增排序，没有严重冲突结论。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代

符号（逐一列出）： - \(\mathcal{H}=\{1,\dots,H\}\): 医院编号（训练集）。可观测数据来自这些医院。 - \(\mathcal{H}^*\): 未出现在训练中的目标医院集合（可能包括完全不参与训练的医院）。 - \(\mathbf{X} \in \mathcal{X} \subset \mathbb{R}^d\): 每位患者观测到的协变量向量（如年龄、性别、共病、ICU等级等）。 - \(A \in \{0,1\}\): 二元治疗分配（如“强化治疗” vs “标准治疗”）。离散、随机化或条件随机化（在数据中已记录）。 - \(Y \in \mathbb{R}\): 结局变量（如28天生存率，1=存活；0=死亡）。 - \(\pi(a \mid \mathbf{x})\): 倾向性评分（在数据中已知，或可从A和X、医院ID估计得到，假设强可忽略性）。 - \(\mu(a,\mathbf{x}) = \mathbb{E}[Y \mid A=a,\mathbf{X}=\mathbf{x}]\): 条件均值函数。 - \(d(\mathbf{x}) \in \{0,1\}\): 个体化决策规则——是个将\(\mathbf{x}\)映射到治疗\(A\)的确定性策略。 - \(\mathbb{E}_{h}[Y(d)]\): 如果给定决策规则\(d\)，在医院\(h\)的患者群体上的预期平均结局。下标\(h\)表示分布来自医院\(h\)——即\((\mathbf{X},A,Y) \sim P_h\)。 - \(V_h(d) = \mathbb{E}_{P_h}[Y(d)]\): 规则\(d\)在医院\(h\)上的群体平均价值（value function）。 - \(V_{h}^{*} = \max_{d} V_h(d)\): 医院\(h\)下真实最优规则能获得的价值。 - \(\mathbb{E}_{\mathbf{x}}[\cdot]\): 在某个医院的协变量分布下，对条件期望的边际平均。 - \(\inf_{h}\) 或 \(\min_{h}\): 在训练医院或（未观测）所有可能医院之间的最差情况。

模型（数据生成过程，足够直白）： - 对每医院\(h=1,\dots,H\)，有独立同分布（条件于\(h\)的同一分布）的患者\(\{(\mathbf{X}_{i}^{(h)}, A_i^{(h)}, Y_i^{(h)})\}_{i=1}^{n_h}\)。 - 这些数据内部满足标准因果推断假设：SUTVA + 强可忽略性 (ignorability: \(Y(a) \perp A \mid \mathbf{X}\)) + overlap (\(0<\pi(1|\mathbf{x})<1\)，对所有\(\mathbf{x}\))。医疗数据下主张\(A\)是基于\(\mathbf{X}\)与医生判断分配，作者在empirical部分使用倾向性评分逆概率加权来去除confounding。 - 不同医院的协变量分布\(P_{\mathbf{X}}^{(h)}\)条件均值函数\(\mu^{(h)}(a,\mathbf{x})\)及倾向性评分\(\pi^{(h)}(a|\mathbf{x})\)均可能不同——正是这种异质性导致单一规则不能跨医院效仿。

可观测数据 vs 想要但观测不到的量： - 可观测：对每医院\(h\)，我们能观察到患者列表\((\mathbf{X}_i^{(h)}, A_i^{(h)}, Y_i^{(h)})\)。 - 想要但观测不到： - ① 对未训练医院\(\mathcal{H}^*\)中的数据，我们没有任何观测——只能用训练医院数据外推。 - ② 对于任一患者，只能观察到\(Y=Y(A)\)，不能同时观测\(Y(0)\)和\(Y(1)\)（反事实缺失）。 - ③ 各医院间的分布结构的偏差（如\(\mathbf{X}\)分布、治疗效应异质模式的函数形式）也是不可观测的——只能通过假设（如条件均值函数在各医院间具有一定光滑性或有限VC维）进行控制。

第二步：最小内核（最简特例）

最简特例：两医院 + 一维协变量 + 线性条件均值函数

假设我们只有两家医院（\(h=1,2\)），协变量是单维的（\(X\in\mathbb{R}\)），且条件均值函数是线性形式：

\[\mu^{(h)}(a,x) = \beta_0^{(h)} + \beta_1^{(h)} a + \beta_2^{(h)} x + \beta_3^{(h)} a x\]
（此处\(h\)下标出现在参数上）。医院\(1\)的特征分布为\(X\sim \mathcal{N}(0,1)\)；医院\(2\)的特征分布为\(X\sim \mathcal{N}(1,1)\)——即患病严重程度偏移较高。\(\beta\)参数也可能不同（如医院1的老医生治疗方案在不同年龄上的效果更强）。

目标（条件最大化最小IDR）： 寻找一个单一决策规则\(d(x)\in\{0,1\}\)（不随医院而变），使得在所有可能医院（在此例中仅为\(h=1,2\)）上，加权条件价值的“最差平均”最大化。

传统全局最优IDR \(d_{\text{global}}\) 解决：

\[\max_{d} \frac{1}{2}\big( V_1(d) + V_2(d) \big)\]
而条件最大化最小IDR \(d_{\text{CM}}\) 的目标是先对每个固定\(x\)取最小平均（跨医院对条件函数\(\mu^{(h)}(a,x)\)求最差），再在整个\(x\)分布上最大化以选择行动：
\[d_{\text{CM}}(x) = \arg\max_{a\in\{0,1\}} \Big( \min_{h=1,2} \mathbb{E}_{P_h}[Y \mid X=x, A=a] \Big)\]
注意这里关键区别：它不平均掉\(x\)——每给定一个\(x\)，就找出最差医院（或最差情形）的预期结局，然后选择能最优化这个最差情形的治疗。这形成了“每个协变量值下的min条件均值”。

在这个最简特例下要证明的核心串： 给定\(\mu^{(h)}(a,x)\)的形式，我们能直接计算：

\[\min_{h=1,2} (\beta_0^{(h)} + \beta_1^{(h)} a + \beta_2^{(h)} x + \beta_3^{(h)} a x)\]
然后比较\(a=0\)和\(a=1\)时哪个更优。若\(\beta_1^{(h)}\)和\(\beta_3^{(h)}\)在两家医院方向相反，就出现了“无法兼顾”——有些\(x\)的\(0\)在世一家好、另一家差。这时规则\(d_{\text{CM}}(x)\)会倾向于选择那个跨医院后果更一致不最差的\(a\)。

这个简化例子揭示作者结论的骨架：当个体条件效应具有医院间符号异质性时，传统全局最优IDR会在某些子群体上产生灾难性最差表现（生存率极低），而条件最大化最小策略通过下降每个\(x\)的价值“底限”，平滑了最差情形。一般情形里的所有“联邦学习算法”“多医院数据来处理分布更新”都可以看作是针对这个两医院+线性情况的分布式优化变体。

三、这篇论文做了什么

三句话

  • 研究问题：在多医院异质数据且数据不得共享的联邦学习环境下，学习一个个体化决策规则（IDR），使其能在最快情况下（对未知目标医院）仍提供安全、一致的个体结局改善（这里具体为脓毒症患者的存活率）。
  • 核心工具/方法：提出条件最大化最小（conditional maximin）目标函数（在每个协变量条件水平上取最坏医院的预期结局），证明该目标等价于一个对抗性分布鲁棒优化问题（Adversarial Distributionally Robust Optimization），并设计一个去中心化的联邦学习算法（不需要数据聚集）求解该目标。
  • 主要结论：在UPMC真实多医院脓毒症数据上，该条件最大化最小IDR相比传统全局最优IDR在潜在最差医院患者亚群中生存率提高约10个百分点(percentage points)，在应用于未参与训练的医院时群体平均生存率提升2-3个百分点。

关键设定与假设（在第二节记号基础上补全）

核心定义: - 价值函数（Value Function）：对给定决策规则\(d(\mathbf{x})\)，医院\(h\)上的期望平均结局是：

\[V^{(h)}(d) = \mathbb{E}_{P^{(h)}}\big[ \frac{\mathbb{I}\{A=d(\mathbf{X})\}}{\pi^{(h)}(A|\mathbf{X})} Y \big].\]
使用IPW来考虑每医院中治疗分配机制（倾向性评分）。 - 条件最大化最小目标（在训练医院集合\([H]\)上）：
\[\max_{d \in \mathcal{D}} \min_{h \in [H]} \mathbb{E}_{P^{(h)}}[\mu^{(h)}(d(\mathbf{X}), \mathbf{X})]\]
作者进一步通过权重视角转为：\(\max_{d}\min_{\mathbf{w}\in\Delta_H} \mathbb{E}_{P^{(w)}}[Y(d)]\)，其中\(\mathbf{w}\)定义为跨医院混合分布的权重（M区列为 super-population mixing），并证明等价于更特殊的分布鲁棒优化。 - 联邦学习：数据集不可中心化。各医院本地存储其数据，通过参数服务器或平均/聚合梯度的方式交互更新，不传输原始患者记录。

重要假设（在第二节基本假设基础上）： - 条件无混淆 (No unmeasured confounding）（每医院分别成立）：\(Y(a) \perp A \mid \mathbf{X},\text{Hospital}=h\)。每个医院的治疗分配由其患者协变量决定，无医院-level未测量混淆。 - Overlap：\(0 < \pi^{(h)}(1|\mathbf{x}) < 1\) 对所有\(h\)、所有\(\mathbf{x}\)成立。 - 决策规则类的识别性：\(\mathcal{D}\)是一个VC类，满足通用学习理论条件，用于算法收敛保证。

相比于已有条件最大化/群体maximin文献，本文放宽了“跨医院条件均值函数形状必须一致”的约束——只要求它们最终落入某个假设均匀的M估计框架（类似于不限制函数形式、只假设存在有限VC维）。

主要结果

1. 等价性结果（Theorem 1）：
条件最大化最小目标等价于一个对抗性分布鲁棒优化目标——选择最能改进在“最坏混合分布”下个体结局的策略：

\[\max_{d} \min_{\mathbf{w} \in \Delta_H} \mathbb{E}_{P^{(w)}}[Y(d)]\]
严格形式与证明：限制\(P^{(w)} := \sum_h w_h P^{(h)}\)（对训练医院凸组合）。直观：该定理表明学习规则\(d_{\text{CM}}\)等价于假设部署时的目标分布最差混合分布（由训练医院构成的分布族），而非某一特定医院分布。这个等价性使得理论和算法都可借鉴经典的分布鲁棒优化（DRO）工具。

2. 联邦学习算法收敛性（无形式化定理，但给出算法与不动点性质）：
提出Federated Conditional Maximin IDR（FCIDR）算法——一种去中心化的随机梯度上升-更新。每轮：各医院本地计算对当前\(d\)的估计梯度（关于条件最大化价值函数），主节点聚合梯度并以momentum更新全局参数\(\theta\)（假定IDR由参数化\(\pi_\theta\)给出）。论文正文无收敛性定理（仅隐含在实验设置中，提供收敛曲线图）。关键点：由于目标同时还包含\(\min_h\)，它不是一个光滑凸函数，因此收敛理论无法直接套用经典联邦SGD，作者采用了特殊的“不动点迭代”视角（参见proof sketch建议：用一个折中下界药物权重向量的迭代来绕过非光滑性）。

3. 实证结论（最主要贡献）： - 数据：UPMC医疗系统H=6家医院（三家为大型学术型，三家为社区型），n=3,100+脓毒症患者。结局为28天生死（二元）。治疗A为“早期goal-directed therapy vs standard care”。训练集：前4家医院；验证集：其余2家（未训练医院）。 - 对比基线：全局最优IDR（在训练集上最大化\(V(d)\)）、L2-正则保序回归IDR（不动），以及不应用IDR的“真实临床实践”（也就是A由医生判断）。 - 关键数字： - 在训练医院上，FCIDR（条件最大化最小）的最差医院亚组生存率（即特定协变量水平下最差的医院平均值）比全局最优IDR高出10 p.p.，比临床实践高6 p.p.。 - 在未训练医院（群组2）上的整体生存率：FCIDR 71.5% vs 全局最优IDR 69.0% （+2.5 p.p.）；对最差个体协变量水平（根据风险分层），最高差值达10 p.p.。 - 稳定性：通过留一医院交叉验证，FCIDR引起的性能方差显著小于全局最优IDR。

证明路线与技术技巧

整体结构（3-5步逻辑主干）：

  1. 建立等价1（Theorem 1）：证明\(\max_d \min_h E_h[Y(d)]\)与\(\max_d \min_{\mathbf{w}\in \Delta_H} E_{P^{(w)}}[Y(d)]\)相等。这一步通过凸分析下Sion's minimax定理（convex+compact在策略空间上）完成。
  2. 从minh转到min over mixture：利用IPW的结构（线性性关于\(P\)），转换后可以写出一个拉格朗日对偶目标——本质上是一个两步正则化问题：内层选择破坏最严重的权重，外层优化策略对抗它。
  3. 求解算法的设计：不能直接从第一步等价得到直接的上界函数用于优化，因此需要更新\(d\)和权重向量\(\mathbf{w}\)的交替方案。FCIDR算法把对偶混合权重作为隐变量。每轮固定\(d\)解\(w\)（医院权重），即求当前价值最差的医院组合（是一个线性规划在H个点上）；以这个\(w\)梯度进一步更新规则参数——这恰好是一个对抗训练scheme。
  4. 收敛论证（不完整）：作者声称在温和SGD条件下，固定点算法会收敛。正文中有收敛曲线，但没有严格的收敛速率界——仅讨论了实践中的收敛经验。

关键跳跃点： - 从条件最大化最小到对抗混合分布的最难点：\(\min_h E_h[Y(d)]\)并非全局意义上的光滑函数，直接对\(d\)求梯度会在最差医院指数变化时突然跳变。作者绕过的办法是把这个多步替换为参数化的混合权重\(\mathbf{w}\)与策略\(\theta\)的联合优化——这个思路类似于a-adversarial重加权 (re-weighting)。 - 联邦化：计算权重\(\mathbf{w}\)时需要知道各医院的当前局部价值（value）。作者使用了联邦平均的方式，让各医院上传其local value estimate的参数（而非数据），主节点据此更新\(\mathbf{w}\)后再广播与更新全局策略参数。这是直接的扩展，理论难点主要落在非IID优化上。

具体技术工具点名： - Sion's minimax定理（主等价证明中，为切换策略与分布顺序提供理论保障）。 - 线性规划（更新医院权重\(\mathbf{w}\)时用）——很简单，H通常很小（≤10）。 - 倾向性评分逆概率加权 (IPW)——构造价值估计。 - 不动点迭代 / 交替优化——主算法框架。 - 经验风险最小化 + Cross-fitting——确保价值函数的 \(\sqrt{n}\)收敛性（引用于实证部分，未独立证明）。

真实例子与应用

数据：UPMC Health System中6家医院的真实脓毒症数据。（患者特征：年龄、性别、共病score、入院source、ICU level等）。治疗变量A是早期治疗（EGDT）是否开始。结局Y是28天存活。

  • 样本量：n≈3100（所有医院总和）。其中：4家医院作为训练（n1=2086），2家作为外部验证（n2=1016）。
  • 模型：IDR由logistic回归参数化（决策边界是X的线性函数：\(d_{\beta}(x)=\mathbb{I}[\beta^\top x > 0]\)）。作者比较了线性规则 without interaction（全局最优） vs 带作用交互的条件最大化最小（即最大最小value下）。Fed算法用到的是网络平均。
  • 结果之前已陈述，核心是：最差医院/患者的价值提高了。此例要说明两件事：
  • 条件最大化最小IDR可以在真实异质性环境下实施，并确实提高最差群体的生存。
  • 鲁棒性并未损害群体平均——在外部Validation set上甚至略有提升（2-3pp），表明它不是靠牺牲优良群体来换取底线。

🔎 结论是否比证明窄

  • 区“定理1在数据生成满足等于混合情形下”成立，但实证使用的IPW估计量需要强可忽略性+正确倾向性评分模型——这部分并未严格纳入理论保证。作者在讨论部分自己也提到：“if the propensity score model is misspecified, the estimator of \(V^{(h)}(d)\) may be biased, potentially affecting the performance of the proposed method.”
  • 联邦学习部分并未给出收敛速率或甚至一致性定理——作者仅提供了启发式论证与经验证据。在AoS发表的尺度下，证据是“收敛图 + 留一验证稳定”，但相对于理论更重的文章类型算是宽松的。
  • 作者在结论里声称“该方法确保对未见医院的安全应用”——但该性质依赖于训练医院中已经包含了“足够多样”的分布，如果未训练医院的分布完全在训练医院的凸包之外（distribution shift extreme），理论没有保证——这一点被模糊处理。

四、开放问题（扎根具体语句）

  1. 多阶段 / 动态决策规则的扩展：本文只处理了单阶段二元治疗决策。作者在Conclusion中说：“future work could extend the proposed framework to dynamic treatment regimes”— 这就留下了一个自然的 gap：条件最大化最小框架在多个时间点治疗下，IDR需要递归定义，此时分布鲁棒性内涵更复杂（需考虑历史协变量的条件异质偏移）。

  2. 放松线性 / 可加性假设：本文在真实例子中使用线性逻辑规则。作者在Methods末尾提到：“we adopt a linear form of the decision rule for simplicity; extension to nonlinear rules (e.g., RKHS-based or neural networks) is of interest”— 这是个开放问题，因为非线性规则的非凸优化+联邦收敛的理论更加困难，且对抗权重更新的复杂度会增大。

  3. 联邦学习算法收敛率严格理论：论文本身未给出联邦化后的收敛速率或finite-sample bound。对于想在本方向理论突破的研究者，这是一个明确的门槛——可以追问：“能否在给定策略类VP维、H固定的情况下，证明异步联邦条件最大化最小SGD以\(O(1/\sqrt{n})\)或某minimax速率收敛到真正的条件最大化最小IDR？” 扎跟于“Figure 4中收敛曲线的经验证明”与未有的理论部分。

  4. 统计-计算权衡视角：本文关注的是“给定隐私约束下的可行问题”，但未触及信号强度、样本量与算法复杂度之间是否存在tradeoff。若信号极弱而H较多（例如100家社区医院+噪声协变量），是否存在任何多项式时间算法都无法一致逼近条件最大化最小IDR？这是从计算复杂约束统计的角度看，与本文的设定高度吻合——可以考虑基于Low-degree likelihood ratio或SQ下限来界这类问题的“需要多少医院/样本才能以多项式时间恢复鲁棒IDR”。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论