Multimodal domain adaptation under label shift and blockwise missing modalities¶

作者: Zebin Wang, Ziang Dou, Molei Liu, Tianxi Cai
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2608.01282

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是多模态领域自适应（Multimodal Domain Adaptation），具体设定为：存在一个无标签的目标域（target domain）和多个带标签的源域（source domains），每个域观测到不同子集的多模态数据（blockwise missing modalities），且源域与目标域之间存在标签偏移（label shift）——即结局变量（outcome）的边际分布不同，但给定结局后的特征条件分布保持不变。核心统计问题是：如何利用源域中带标签的、部分模态缺失的数据，在目标域中无标签的情况下，预测目标域个体的结局（如疾病复发概率）。该方向当前处于方法快速发展但理论尚不成熟的阶段：已有方法要么假设所有域共享同一输入空间（无法处理块状缺失），要么处理块状缺失但不考虑标签偏移，本文试图同时解决这两个挑战。

发展脉络（history）¶

奠基工作： - 标签偏移估计：Lipton et al. [2018] 提出 Black Box Shift Estimation (BBSE)，利用任意黑箱预测器的混淆矩阵估计目标域的标签边际分布，并证明其一致性。Garg et al. [2020] 统一了 BBSE 和最大似然估计（MLLS）的视角，给出了 MLLS 一致性的条件（分类器校准 + 混淆矩阵可逆），并指出 BBSE 因粗校准而统计效率较低。这两篇奠定了标签偏移估计的理论基础。 - 块状缺失数据整合：Cai et al. [2016] 提出结构化矩阵补全（SMC），处理因设计导致的块状缺失，并给出最优恢复率。Yu et al. [2020] 提出 DISCOM，在不插补的情况下直接利用块状缺失多模态数据做稀疏线性预测。这些工作处理的是“数据整合”而非“领域自适应”。

主要进展： - 标签偏移下的领域自适应：Redko et al. [2019] 用最优传输联合估计目标类比例和分布对齐。Li et al. [2019] 在对抗性表示学习中处理目标偏移（target shift），并扩展到多源域。Shui et al. [2021] 根据语义条件分布的相似性聚合多个目标偏移源域。这些方法假设所有域共享一个公共输入空间，不能处理源域特有的模态缺失。 - 块状缺失下的表示学习与预测：Zhou et al. [2023] 提出 BONMI，从块状重叠噪声矩阵中整合多源词嵌入。Liu et al. [2026] 提出基于锚点的 PCA 方法，处理块状缺失下的子空间对齐。Yu et al. [2026] 的 MOSAIC 框架学习共享和模态特定的表示，并利用重叠缺失模式进行模式特定的监督预测。这些工作不涉及无标签目标域下的标签偏移。 - 半参数效率理论：Qiu et al. [2024] 在一般数据集偏移条件下发展了高效且多重稳健的风险估计器，并推导了效率界。Lee et al. [2025a] 在标签偏移下提出“双重灵活”估计，对结局密度比和回归模型均不要求正确设定。这些工作为领域自适应提供了半参数理论框架，但未处理多模态块状缺失。

当前 frontier： - 多源多模态领域自适应：Zhao et al. [2025] 在协变量偏移下联合对齐模态和域，但要求所有域在同一多模态输入空间。Fan et al. [2023] 从不完整视角学习公共潜在表示后再估计标签偏移权重，但未处理源域特有的整个模态块缺失或不可比的辅助坐标。Sui et al. [2026] 的多任务学习框架包含块状缺失，但目标是有监督的，不涉及无标签目标域下的标签偏移。

本文的位置：作者将缺口 frame 为“同时处理标签偏移、源域特有的整个模态块缺失、以及不可比辅助坐标的对齐”。本文提出“先加权再对齐”原则：在跨模态对齐之前，先用参考模态估计目标结局分布，将源域观测加权到目标结局混合上，再进行目标锚定的 CCA/岭回归匹配。这与现有方法形成对比——现有方法要么在公共输入空间中校正标签偏移，要么在不使用目标结局混合的情况下对齐不完整模态。

子线索聚类¶

标签偏移估计与校正（Lipton et al. 2018, Garg et al. 2020, Lee et al. 2025a, Lee et al. 2025b, Saerens et al. 2002）：核心是估计目标域的标签边际分布，通常通过矩匹配、最大似然或密度比估计实现。这些方法假设源域和目标域共享相同的特征空间。
块状缺失数据整合与表示学习（Cai et al. 2016, Yu et al. 2020, Xue & Qu 2021, Zhou et al. 2023, Liu et al. 2026, Yu et al. 2026）：处理不同数据源观测到不同变量子集的问题，通常通过矩阵补全、因子模型或共享表示学习来恢复低维结构。这些方法不涉及无标签目标域下的分布偏移。
多源领域自适应（Redko et al. 2019, Li et al. 2019, Shui et al. 2021, Zhao et al. 2025, Fan et al. 2023, Sui et al. 2026）：结合分布偏移校正和表示对齐，但通常假设所有域共享一个公共输入空间或表示空间，不能处理源域特有的整个模态块缺失。

这个方向在追问的核心问题¶

如何识别目标域的结局分布？ 当目标域无标签且模态缺失阻碍简单合并时，能否仅利用在所有域都观测到的参考模态来识别目标结局分布？
如何在标签偏移下对齐不可比的辅助模态？ 跨模态模式依赖于结局分布，未校正标签偏移的对齐会强调源域特定的关系而非目标域相关的关系。如何在对齐之前校正这种偏移？
当源域金标准标签稀疏时，如何利用代理变量（surrogate）进行鲁棒的自适应？ 代理变量能否替代金标准标签用于校准和对齐，且不改变目标 estimand？
对齐后的表示是否唯一？ 维度缩减和对齐矩阵依赖于任意坐标选择，如何保证不同域的对齐特征在同一个旋转下可比？

当前主流方法与已知瓶颈：主流方法要么处理标签偏移（但假设公共输入空间），要么处理块状缺失（但不涉及标签偏移）。本文试图填补的正是这两者的交集。瓶颈在于：标签偏移和块状缺失不能分开处理——辅助模态不能直接合并，因为不同源域观测不同块且可能用不同坐标表示同一信息；但未校正标签偏移的对齐会误导，因为跨模态模式反映的是源域而非目标域的结局分布。

⚠️ 作者的 framing¶

作者把缺口 frame 成“同时处理标签偏移、源域特有的整个模态块缺失、以及不可比辅助坐标的对齐”，使得本文成为“显然的下一步”。具体来说： - “先加权再对齐”原则被强调为核心贡献，与“在公共输入空间中校正标签偏移”或“在不使用目标结局混合的情况下对齐不完整模态”的方法形成对比。 - 竞争路线被淡化或回避：作者在 1.2 节末尾明确说，Zhao et al. [2025] “要求所有域在同一多模态输入空间”，Fan et al. [2023] “未处理源域特有的整个模态块缺失或不可比的辅助坐标”，Sui et al. [2026] “不包含无标签目标结局混合或目标混合加权”。这些判断是作者自己的定位，研究者应自行阅读这些被引论文以验证。 - 什么明显该被引/该存在、却没出现在 intro 里？ 作者引用了 Qiu et al. [2024] 关于一般数据集偏移下的半参数效率理论，但未将其与本文的效率分析联系起来——本文没有推导效率界。此外，作者引用了 Lee et al. [2025a] 的“双重灵活”估计，但未讨论其与本文密度比估计的关系。值得研究者去查的问题：是否存在更直接的半参数效率界推导路径？Lee et al. [2025b] 的“半参数有效推断”是否可直接应用于本文设定？

张力¶

未见明显对立引用。被引工作之间在各自设定下结论一致，没有在略不同条件下得相反结论的情况。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号： - 域索引：目标域 \( m=0 \)，源域 \( m=1,\dots,M \)。 - 样本量：域 \( m \) 有 \( n_m \) 个个体。 - 模态：共 \( K \) 个模态，模态 1 为参考模态（所有域均观测到），模态 \( 2,\dots,K \) 为辅助模态。 - 观测模态集：域 \( m \) 观测到的模态集合为 \( \mathcal{A}_m \subseteq \{1,\dots,K\} \)，且 \( 1 \in \mathcal{A}_m \) 对所有 \( m \) 成立。 - 特征向量：域 \( m \) 中个体 \( i \) 在模态 \( k \) 上的观测特征为 \( \mathbf{x}_{k,i}^{(m)} \in \mathbb{R}^{d_k} \)。 - 结局变量：\( y_i^{(m)} \in \mathcal{Y} = \{0,1\}^d \)，即 \( d \) 维二值向量。源域中部分个体的结局被观测（索引集 \( \mathcal{I}_m \)），目标域中所有结局在拟合时不可观测（\( \mathcal{I}_0 = \emptyset \)）。 - 代理变量：当可用时，\( s_i^{(m)} \) 表示关于结局的证据。 - 参数：\( \theta^{(m)} \) 是域 \( m \) 中结局分布 \( \rho_y(\cdot; \theta^{(m)}) \) 的参数。 - 潜在因子：\( \tilde{\mathbf{u}}_i^{(m)} \in \mathbb{R}^h \)（参考潜在因子），\( \tilde{\mathbf{v}}_i^{(m)} \in \mathbb{R}^h \)（辅助潜在因子）。 - 载荷矩阵：参考载荷 \( \mathbf{L}_1 \) 跨域共享（\( \mathbf{L}_1^T \mathbf{L}_1 = \mathbf{I}_h \)），辅助载荷 \( \mathbf{L}_k^{(m)} \) 可域特定（\( \{\mathbf{L}_k^{(m)}\}^T \mathbf{L}_k^{(m)} = \mathbf{I}_{\ell_k} \)）。 - 正交群：\( \mathcal{O}(q) \) 表示 \( q \times q \) 正交矩阵的集合。

模型： - 数据生成机制：给定结局 \( y_i^{(m)} \)，潜在因子满足：

\[\tilde{\mathbf{u}}_i^{(m)} = \psi_u(y_i^{(m)}) + \boldsymbol{\xi}_{u,i}^{(m)}, \quad \tilde{\mathbf{v}}_i^{(m)} = \psi_v(y_i^{(m)}) + \boldsymbol{\xi}_{v,i}^{(m)},\]

其中噪声独立于 \( y_i^{(m)} \)。观测特征由潜在因子线性生成：

\[\mathbf{x}_{1,i}^{(m)} = \mathbf{L}_1 \tilde{\mathbf{u}}_i^{(m)} + \boldsymbol{\zeta}_{1,i}^{(m)}, \quad \mathbf{x}_{k,i}^{(m)} = \mathbf{L}_k^{(m)} \tilde{\mathbf{v}}_{k,i}^{(m)} + \boldsymbol{\zeta}_{k,i}^{(m)},\]

其中 \( \tilde{\mathbf{v}}_{k,i}^{(m)} \) 是 \( \tilde{\mathbf{v}}_i^{(m)} \) 在坐标子集 \( \mathcal{H}_k \) 上的投影。 - 标签偏移假设：结局分布 \( \rho_y(\cdot; \theta^{(m)}) \) 跨域变化，但给定结局后的特征条件分布 \( p(\mathbf{x}|y) \) 稳定。 - 代理变量桥接条件（当使用时）：\( s_i^{(m)} \perp\!\!\!\perp \{\mathbf{x}_{k,i}^{(m)}: k \in \mathcal{A}_m\} \mid y_i^{(m)} \)。

可观测数据： - 研究者实际能观测到的是：每个域 \( m \) 中，个体 \( i \) 在模态 \( k \in \mathcal{A}_m \) 上的特征向量 \( \mathbf{x}_{k,i}^{(m)} \)；源域中部分个体的金标准结局 \( y_i^{(m)} \)（索引集 \( \mathcal{I}_m \)）；当可用时，代理变量 \( s_i^{(m)} \)。 - 想要但观测不到的是：目标域中所有个体的金标准结局 \( y_i^{(0)} \)；源域中未标记个体的金标准结局；所有域中未观测模态的特征；潜在因子 \( \tilde{\mathbf{u}}_i^{(m)}, \tilde{\mathbf{v}}_i^{(m)} \) 本身。

第二步：讲最小内核¶

最简特例：考虑 \( d=1 \)（二值结局 \( Y \in \{0,1\} \)），\( M=1 \)（一个源域），\( K=2 \)（一个参考模态 + 一个辅助模态）。源域观测到参考模态 \( X_1 \) 和辅助模态 \( X_2 \)，以及金标准结局 \( Y \)。目标域观测到参考模态 \( X_1 \) 和辅助模态 \( X_2 \)，但结局 \( Y \) 完全不可观测。标签偏移：\( P^{(0)}(Y=1) \neq P^{(1)}(Y=1) \)，但 \( p(X_1, X_2 | Y) \) 跨域相同。

核心思路：本文要解决的是“如何利用源域数据预测目标域结局”，关键困难是： 1. 目标域无标签，无法直接估计 \( P^{(0)}(Y|X_1, X_2) \)。 2. 标签偏移导致源域中 \( X_1 \) 和 \( X_2 \) 的联合分布与目标域不同，直接使用源域模型会偏差。 3. 辅助模态 \( X_2 \) 的载荷可能域特定，不能直接比较。

本文的关键想法（在这个特例下退化成什么）： 1. 参考校准：利用在所有域都观测到的参考模态 \( X_1 \)，估计目标域的结局分布 \( P^{(0)}(Y) \)。具体地，从源域估计密度比 \( \text{LR}_{\text{ref}}(x_1|y) = p(x_1|y)/p(x_1|0) \)，然后在目标域通过最大似然估计 \( \hat{\theta}^{(0)} \)：

\[\hat{\theta}^{(0)} = \arg\max_\theta \sum_{i=1}^{n_0} \log\left[ \sum_{y \in \{0,1\}} \rho_y(y;\theta) \widehat{\text{LR}}_{\text{ref}}(x_{1,i}^{(0)}|y) \right].\]

2. 先加权再对齐：用估计的目标结局分布计算源域个体的权重 \( w_i^{(1)} = \rho_y(y_i^{(1)}; \hat{\theta}^{(0)}) / \rho_y(y_i^{(1)}; \hat{\theta}^{(1)}) \)。这些权重将源域观测“运输”到目标结局混合下。然后，在目标域中，对参考模态和辅助模态做 CCA，得到目标锚定表示 \( U^{(0)} = \{\mathbf{A}^{(0)}\}^T \mathbf{R}^{(0)} \)。在源域中，用加权岭回归将辅助模态映射到目标锚定表示上：

\[\hat{\mathbf{G}}^{(1)} = \arg\min_{\mathbf{G}} \sum_{i \in \mathcal{I}_1} w_i^{(1)} \| \{\hat{\mathbf{A}}^{(0)}\}^T \mathbf{r}_i^{(1)} - \mathbf{G}^T \mathbf{z}_i^{(1)} \|_2^2 + \lambda_1 \|\mathbf{G}\|_F^2.\]

3. 结果转移：在对齐后的表示 \( (U, V) \) 上，从源域估计似然比 \( \text{LR}_{U,V|Y}(u,v|y) \)，然后在目标域通过贝叶斯公式得到条件结局分布：

\[\hat{p}_i(y) = \frac{\rho_y(y; \hat{\theta}^{(0)}) \widehat{\text{LR}}_{\text{comb}}(u_i^{(0)}, v_i^{(0)}|y)}{\sum_{y'} \rho_y(y'; \hat{\theta}^{(0)}) \widehat{\text{LR}}_{\text{comb}}(u_i^{(0)}, v_i^{(0)}|y')}.\]

为什么这个特例抓住了核心：在这个特例中，所有关键步骤都保留：参考校准估计目标结局分布、加权运输源域到目标混合、CCA/岭回归对齐、似然比转移。一般情形只是将这个流程扩展到多源域、多模态、多值结局和代理变量辅助。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在多模态领域自适应中，当源域与目标域存在标签偏移，且不同源域观测到不同子集的模态（块状缺失）时，如何利用带标签的源域数据预测无标签目标域的结局。
核心工具/方法：提出一种参考锚定（reference-anchored） 方法，利用在所有域均观测到的参考模态估计目标结局分布，将源域观测加权到目标结局混合后再进行 CCA/岭回归对齐，最后通过密度比模型转移结局信息。当源域金标准标签稀疏时，引入代理变量辅助。
主要结论：建立了目标 CCA 与源岭回归映射的统一旋转匹配结果（所有对齐特征在同一个旋转下可比），以及目标条件结局分布的一致性。模拟和肾细胞癌（RCC）应用表明该方法在分布偏移和模态缺失下校准良好、预测稳定。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

标签偏移与重叠（Assumption 1）：对于每个源域 \( m \) 和结局状态 \( y \)，若 \( \rho_y(y;\theta^{(0)}) > 0 \) 则 \( \rho_y(y;\theta^{(m)}) > 0 \)；给定结局后的条件特征分布跨域相同；结局密度比 \( \omega_m(y) = \rho_y(y;\theta^{(0)})/\rho_y(y;\theta^{(m)}) \) 一致有界。相比已有文献：这是标准标签偏移假设，但本文将其扩展到多值结局（Ising 模型）和块状缺失设定。
稳定正则化对齐（Assumption 2）：域数、模态数和保留秩固定；相关二阶和四阶矩有界；标准化和正则化 CCA 使用的协方差矩阵在保留子空间上特征值远离零；目标 CCA 算子的奇异值间隙 \( \delta_{\text{CCA}} > 0 \)；源岭回归参数 \( \lambda_m \) 有正下界和上界。相比已有文献：这是高维统计中标准的结构化假设，但本文将其组装到 CCA 和岭回归的联合扰动分析中。
对齐似然比一致性与轮廓识别（Assumption 3）：对齐后的似然比估计量在平均意义上以速率 \( \kappa_n \) 一致；轮廓准则的唯一最大化是真实参数 \( \theta^{(0)} \)；参数空间紧致，\( \rho_y \) 连续且在 \( \theta^{(0)} \) 处二次可微，负 Hessian 正定。相比已有文献：这是标准 \( M \)-估计条件，但本文将其与坐标估计误差 \( \Delta_n \) 结合，得到端到端速率。

主要结果¶

定理 1（目标条件结局分布的一致性与速率）： - 在 Assumptions 1-3 下，若目标轮廓准则被最大化到 \( o_p(1) \)，则 \( \hat{\theta}^{(0)} \xrightarrow{p} \theta^{(0)} \) 且平均后验误差收敛到 0。 - 若局部可微性、内点和非奇异 Hessian 条件成立，则：

\[\|\hat{\theta}^{(0)} - \theta^{(0)}\|_2 + \frac{1}{n_0} \sum_{i=1}^{n_0} \sum_{y \in \mathcal{Y}} |\hat{p}_i(y) - p_0(y|\mathbf{u}_i^{(0)}, \mathbf{v}_i^{(0)})| = O_p(n_0^{-1/2} + \kappa_n + \Delta_n).\]

- \( \Delta_n \) 是表示学习、权重估计和采样波动的原始误差包络（由 PCA 后端给出显式速率）。 - \( \kappa_n \) 是对齐似然比学习的内在速率（由具体似然比估计器决定）。 - 在固定维度和固定特征间隙下，\( \Delta_n = O_p(n_{\min}^{-1/2}) \)，若似然比估计器也达到参数速率，则整体速率为 \( O_p(N^{-1/2}) \)。

技术难点：核心难点是证明所有估计的对齐坐标在同一个公共旋转下可比，而不是每个域有各自的旋转。这需要将目标 CCA 的左右基和每个源域的岭回归映射统一到一个旋转下。

证明路线与技术技巧¶

整体路线（3-5 步逻辑主干）： 1. 原始误差包络（Lemma S1.2）：从 PCA 后端、权重估计和采样波动出发，建立标准化分数和二阶矩的原始误差包络 \( \Delta_n \)。这一步是后端验证，不是新定理。 2. 目标 CCA 扰动（Lemma S1.3）：将目标 CCA 算子 \( \boldsymbol{\Gamma}^{(0)} \) 的对称膨胀（symmetric dilation）视为一个整体，对其应用奇异子空间扰动定理（Wedin 定理 / Yu et al. 2015），得到左右基在同一个旋转 \( \mathbf{O} \) 下的误差界。 3. 岭回归传播（Lemma S1.4）：利用岭回归正规方程的旋转等变性，证明每个源域的岭回归映射 \( \hat{\mathbf{G}}^{(m)} \) 也继承同一个旋转 \( \mathbf{O} \)。关键技巧是：岭回归的 Hessian 是 \( 2\mathbf{I}_{r_0} \otimes \{\boldsymbol{\Sigma}_{zz}^{(m)} + \lambda_m \mathbf{I}\} \)，其最小特征值至少为 \( 2\lambda \)，保证了唯一性和稳定性。 4. 拟合坐标恢复（Lemma S1.4 续）：将系数误差与分数误差结合，证明所有域的拟合坐标 \( \hat{\mathbf{U}}^{(m)} \) 和 \( \hat{\mathbf{V}}_k^{(m)} \) 在加权 Frobenius 范数下以 \( O_p(\Delta_n) \) 收敛到其总体对应物乘以公共旋转 \( \mathbf{O} \)。 5. 轮廓估计（Theorem S1.6）：将坐标误差 \( \Delta_n \) 与似然比学习的内在速率 \( \kappa_n \) 结合，通过标准 \( M \)-估计的泰勒展开得到参数和后验的速率。

关键跳跃点： - 对称膨胀技巧：将 CCA 的左右奇异向量问题转化为一个对称矩阵的特征向量问题，从而保证左右基共享同一个旋转。这是 Lemma S1.3 的核心。 - 岭回归的旋转等变性：Lemma S1.4 的方程 (S1.21) 证明，当辅助分数基旋转 \( \mathbf{Q}_z^{(m)} \) 且目标锚定旋转 \( \mathbf{O} \) 时，岭回归的最优解也旋转同样的量。这使得公共旋转 \( \mathbf{O} \) 从目标 CCA 传播到每个源域的岭回归映射。 - 分辨恒等式（resolvent identity）：在岭回归扰动分析中，用 \( \hat{\mathbf{M}}^{-1} - \mathbf{M}^{-1} = \hat{\mathbf{M}}^{-1}(\mathbf{M} - \hat{\mathbf{M}})\mathbf{M}^{-1} \) 将系数误差分解为矩误差和逆算子误差，其中逆算子范数被 \( \lambda^{-1} \) 控制。

技术技巧点名： - 对称膨胀（symmetric dilation）：用于 CCA 扰动分析，将左右奇异向量问题转化为一个对称矩阵的特征向量问题，保证公共旋转。 - Wedin 定理 / Yu et al. [2015] 的 Davis-Kahan 变体：用于奇异子空间扰动，给出特征向量误差与算子误差之间的线性关系，依赖于特征间隙 \( \delta_{\text{CCA}} \)。 - 分辨恒等式（resolvent identity）：用于岭回归扰动分析，将逆矩阵的差分解为矩误差的线性函数。 - 加权 Frobenius 范数：用于衡量拟合坐标的误差，权重由标签偏移密度比给出，使得误差界与目标分布相关。 - 轮廓似然（profile likelihood）：用于从似然比估计中恢复目标结局分布参数，本质上是最大似然标签偏移估计的推广。

真实例子与应用¶

数据/场景：肾细胞癌（RCC）复发预测。数据来自 Mass General Brigham (MGB) 医疗系统，2000-2022 年间的 7,713 名 RCC 患者。源域为 2000-2016 年入组的患者（5,674 人），目标域为 2017-2022 年入组的患者（379 人，所有模态完整）。结局是 12 个月内复发。

模态： - 模态 1（参考）：14 个人口统计学和临床病理学特征（TNM 分期、病理分级、组织学亚型等）。 - 模态 2：87 个医疗利用和编码化 EHR 计数特征。 - 模态 3：14 个从术前 CT 放射学报告中提取的 UMLS 概念。 - 模态 4：27 个从 CT 图像中提取的定量放射组学特征。 - 模态 5：56 个残差图像-文本特征。

源域分组（按模态可用性）： - 源域 1：模态 1+2（265 人） - 源域 2：模态 1+2+3（4,248 人） - 源域 3：模态 1+4+5（1,161 人）

方法应用：参考模态（模态 1）用于估计目标结局分布和计算标签偏移权重；目标域中所有 5 个模态用于 CCA 得到锚定表示；每个源域用加权岭回归将可用辅助模态映射到锚定表示；似然比从对齐后的表示上估计；最终通过轮廓似然得到目标条件结局分布。

结果： - 本文方法在 Brier Skill Score (BSS) 上最高（0.4194），校准差距最小（0.0015），AUC 最高（0.9027），AP 第二（0.7057）。 - 相比 XGBoost（BSS 0.3457，校准差距 0.0846，AUC 0.9008），本文方法在校准上显著更好，AUC 略高。 - 相比 RGCCA（BSS 0.1419，校准差距 0.1064）和 BONMI（BSS -0.0347），本文方法大幅领先。

这个例子想说明什么：验证方法在真实医疗数据中，面对时间偏移（2000-2016 vs 2017-2022）、模态异质性和有限金标准标签时，能够提供校准良好且预测稳定的结果。特别地，校准差距极小（0.0015）表明方法成功校正了标签偏移（源域复发率 18.21% vs 目标域 26.39%）。

🔎 结论是否比证明窄¶

定理 1 的速率：定理 1 给出的速率是 \( O_p(n_0^{-1/2} + \kappa_n + \Delta_n) \)，但作者在证明后的特化中（方程 S1.34）指出，在固定维度和固定特征间隙下，\( \Delta_n = O_p(n_{\min}^{-1/2}) \)，若似然比估计器也达到参数速率，则整体速率为 \( O_p(N^{-1/2}) \)。注意：这个特化是条件性的，依赖于似然比估计器（如 XGBoost）达到参数速率——但作者明确说“这不是 XGBoost 的速率”（原文：“This specialization is conditional and is not an XGBoost rate”）。因此，论文的结论（一致性）是严格的，但速率结论依赖于未证明的假设。
复合似然比构造：方程 (8) 中的乘积形式对应于“当对齐辅助块在给定 (U, Y) 下条件独立时”的联合似然比。作者在定理 1 后明确说：“如果复合构造不是精确的联合比，相同的论证给出其工作条件分布的一致性，而不是精确的目标后验。”因此，论文的结论比其声称的“目标条件结局分布”要窄——它证明的是工作模型的一致性，而非真实模型。
代理变量部分：代理变量辅助方法的理论分析未在正文中给出，仅在第 4 节末尾提到“代理变量桥接条件”和“可识别性”。结论比证明窄：代理变量方法的理论保证依赖于未证明的假设（如条件独立性、跨源域不变性）。

四、开放问题¶

代理标签假设的可检验性：代理变量桥接条件 \( s \perp\!\!\!\perp \{\mathbf{x}_k\} \mid y \) 和跨源域不变性在实际中难以验证。扎根于：第 3.4 节“假设条件代理分布 \( p_S(s|y) \) 跨源域不变且代理桥接可识别”。能否设计基于观测数据的检验？若假设违反，偏差有多大？
复合似然比构造的偏差：方程 (8) 的乘积形式假设对齐辅助块在给定 (U, Y) 下条件独立。当此假设不成立时，工作模型与真实模型的偏差如何量化？扎根于：定理 1 后的说明“如果复合构造不是精确的联合比，相同的论证给出其工作条件分布的一致性”。
高维设定下的理论：本文假设域数、模态数和保留秩固定。当 \( M \) 或 \( K \) 随样本量增长时，统一旋转匹配结果是否仍然成立？扎根于：Assumption 2 明确要求“域数、模态数和保留秩固定”。这是理论的一个明显限制。
效率界：本文未推导目标估计量的半参数效率界。在标签偏移和块状缺失下，是否存在一个信息下界？扎根于：作者引用了 Qiu et al. [2024] 关于一般数据集偏移下的效率理论，但未将其与本文设定联系起来。这是自然的下一步。
计算-统计权衡：本文的方法涉及 PCA、CCA、岭回归和密度比估计，计算成本随模态数和样本量增长。是否存在更高效的计算策略（如随机化算法、分布式计算）？扎根于：第 3.2-3.4 节的方法描述。这与研究者的“统计-计算权衡”兴趣相关，但本文未涉及。

Maintained by 陈星宇 · Homepage · Source on GitHub