A Bayesian approach for selecting relevant external data (BASE): Application to a study of long-term outcomes in a hemophilia gene therapy trial (HOPE-B)¶
作者: Tianyu Pan, Yiyao Shi, Xiang Zhang, Weining Shen, Ting Ye
来源: Annals of Applied Statistics
主题: 因果推断
相关性: 5/10
机构绿灯: Stanford University(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是数据融合(data fusion)与选择性信息借用(selective borrowing),其根本的统计问题是:当内部研究(internal study,如一项新药临床试验)随访时间有限、样本量不足时,如何从外部数据源(external data,如更早的同类试验)中有选择地借用信息,以改善对长期疗效的估计与推断。该方向的核心张力在于:外部数据与内部数据生成机制(DGP)可能不完全一致,直接合并(pooling)会引入偏倚,完全不借则浪费信息;因此需要一种数据驱动的准则来判断"哪些外部数据值得借、借多少"。该方向当前处于方法活跃但理论尚不成熟的阶段——大量工作聚焦于特定应用场景下的启发式或贝叶斯准则,而关于"选择性借用"的识别条件与渐近性质的严格刻画仍相对有限。
发展脉络¶
- 奠基工作:幂先验(Power Prior)。本文引用 Chen et al. (1999, 2000) 与 Ibrahim et al. (2015) 作为贝叶斯数据融合的基石。幂先验通过引入折扣因子 α∈[0,1] 对历史数据似然进行降权,从而在合并历史数据的同时控制其影响。留下的口子:α 是全局标量,对所有外部数据一视同仁地降权,无法区分"哪些外部样本与内部 DGP 一致、哪些不一致"。
- 主要进展:数据融合的多样化框架。本文引用多条线索:(i) 合成控制法(Synthetic Control Method),Abadie et al. (2010) 与 Doudchenko and Imbens (2016),通过加权外部单元构造对照,其权重选择基于预测误差最小化;(ii) 非概率样本的稳健推断,Chen et al. (2020) 与 Yang et al. (2020) 提出对非概率样本与概率样本融合的双稳健估计;(iii) 长期因果效应的数据融合,Athey et al. (2019) 与 Imbens et al. (2022) 研究如何结合短期替代结局与长期结局来推断长期效应;(iv) 贝叶斯系统发育中的数据融合,Hassler et al. (2023) 综述了贝叶斯框架下多源数据整合的实践。留下的口子:这些方法要么假设外部数据整体可用(如幂先验),要么假设外部单元可加权组合(如合成控制),但均未系统处理"外部数据内部存在异质性、需要子集选择"的问题。
- 当前 frontier:自适应信息借用。Hector and Martin (2022) 提出"信息共享刻度盘"(turning the information-sharing dial),在似然框架下通过一个连续参数控制信息借用的强度;Oberst et al. (2022) 提出对实验与观察数据融合的偏倚稳健策略。这些工作开始触及"借多少"的问题,但选择的对象仍是整个外部数据集,而非外部数据内部的子集。
- 本文的位置:作者将上述脉络中的缺口明确表述为——现有方法"要么合并全部外部数据,要么完全不合并",而本文提出的是在外部数据内部做子集选择(data selection),以边际似然为准则自动识别与内部 DGP 一致的外部样本。这在方法论上填补了"全局降权"与"完全不借"之间的空白。
子线索聚类¶
- 贝叶斯先验驱动的融合:幂先验(Chen et al., 1999, 2000; Ibrahim et al., 2015)、信息共享刻度盘(Hector and Martin, 2022)。共同特征:通过先验或似然权重控制外部数据的影响,但权重通常是全局的或参数化的。
- 频率学派加权与稳健融合:合成控制(Abadie et al., 2010; Doudchenko and Imbens, 2016)、非概率样本双稳健估计(Chen et al., 2020; Yang et al., 2020)、实验-观察数据融合(Oberst et al., 2022)。共同特征:通过权重或正交化实现融合,但权重选择准则多为预测误差或偏倚-方差权衡。
- 长期效应与替代结局:Athey et al. (2019)、Imbens et al. (2022)。共同特征:利用短期代理变量推断长期效应,与本文的"用早期轨迹预测长期平台期"在结构上相似,但本文不涉及因果识别,而是纯粹的纵向轨迹预测。
- 多源数据整合的综述性工作:Ritchie et al. (2015)、Hassler et al. (2023)。共同特征:提供框架性综述,但未给出具体的选择准则。
这个方向在追问的核心问题¶
- 借什么:如何定义"相关"外部数据?是整体相关(全局降权)还是子集相关(选择性借用)?
- 借多少:如何确定借用的强度或子集的大小?现有方法多用先验或交叉验证,本文用边际似然。
- 借了之后如何推断:融合后的估计是否保持频率学性质(覆盖概率、渐近正态性)?本文给出了贝叶斯框架下的覆盖概率评估,但未建立频率学意义的渐近理论。
- 已知瓶颈:(i) 外部数据异质性缺乏可检验的刻画——"相关性"的定义依赖模型假设;(ii) 子集选择的组合爆炸问题——当外部样本数 N₀ 较大时,对所有 2^N₀ 个子集做边际似然比较在计算上不可行,本文通过 MCMC 采样缓解但未彻底解决;(iii) 理论结果仅在 i.i.d. 设定下建立,对纵向相关数据缺乏严格证明。
⚠️ 作者的 framing(这是作者的说法)¶
作者将本文的贡献框定为"首次提出数据选择(data selection)作为数据融合的一种新范式",并强调其与"数据加权"(data weighting)的本质区别——前者是离散的子集选择,后者是连续的权重分配。作者声称"据我们所知,这是第一个从外部数据中选择相关子集而非加权全部数据的贝叶斯框架"。这一 framing 隐含地淡化了 Hector and Martin (2022) 的连续刻度盘方法与合成控制的加权思想,将其归为"加权"而非"选择"。值得研究者去查的问题:(1) 数据选择与数据加权在何种条件下可以互相逼近(例如,当权重趋于 0/1 时)?(2) 本文的边际似然准则与合成控制的预测误差准则在何种数据生成机制下会给出不同的选择结果?(3) 作者未引用的"子集选择"文献(如贝叶斯模型平均中的 Occam's window、LASSO 类惩罚选择)是否构成更直接的竞争基线?
张力¶
未见明显的对立引用。但存在一个隐含的张力:本文的边际似然准则天然偏好"与内部数据相似"的外部子集,这在外部数据与内部数据存在系统性差异(如不同的入组标准、不同的随访方案)时可能过度排除有用信息。这一张力在本文的模拟中未被直接检验——模拟中的"不正确"外部轨迹是通过参数偏移构造的,而非通过结构性的协变量分布偏移。
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¶
- 符号:
- \(s \in \{0, 1\}\):研究标识,\(s=1\) 为内部研究(目标人群),\(s=0\) 为外部研究(信息源)。
- \(N_s\):研究 \(s\) 中的受试者数。
- \(Y_{sit}\):受试者 \(i\) 在研究 \(s\) 中时间 \(t\) 的结局(本文中为内源性 FIX 水平)。
- \(T^{(s)}_i\):受试者 \(i\) 在研究 \(s\) 中的随访时间点集合(有序)。
- \(C_0 \subseteq \{1, \dots, N_0\}\):外部数据中与内部 DGP 一致的受试者下标集合(目标 estimand,即要识别的"正确子集")。
- \(\theta_1\):内部研究的模型参数(本文中为 C-样条参数向量 \((\mu_0, m_0, \mu_1, m_1, \mu_2)\))。
- \(\alpha\):C-样条的转折点(turning point),即 FIX 水平从上升转为下降/平台的时间。
- \(\rho\):时间相关性参数(指数核)。
- \(\sigma^2_0, \sigma^2_1\):外部与内部研究的观测噪声方差。
- \(L(\cdot \mid \theta_1)\):给定参数 \(\theta_1\) 的似然函数。
- \(\pi(\theta_1)\):\(\theta_1\) 的先验。
- \(\Pi(C)\):外部子集 \(C\) 的先验。
- \(Z_C\):长度为 \(N_0\) 的 0/1 向量,第 \(j\) 个分量为 1 当且仅当 \(j \in C\)。
- \(\bar{Z}_C\):\(Z_C\) 在后验样本上的均值向量。
- \(N^*_0 \equiv \sum_{i=1}^{N_0} T^{(0)}_i\):外部研究的总观测数。
- \(N^*_1 \equiv \sum_{i=1}^{N_1} T^{(1)}_i\):内部研究的总观测数。
- \(\epsilon_n \equiv (M_n/n)^{1/2}\):后验收缩率,\(M_n = o(\log n)\)。
-
\(\psi(t; \theta)\):C-样条均值函数。
-
模型:本文的核心模型假设是,内部研究的所有受试者与外部研究的某个未知子集 \(C_0\) 共享同一个均值函数 \(\psi(t; \theta_1)\)。具体地:
- 内部数据:\(Y_{1it} = \psi(t; \theta_1) + \epsilon_{1it}\),\(\epsilon_{1it} \sim N(0, \sigma^2_1)\)。
- 外部数据(若 \(i \in C_0\)):\(Y_{0it} = \psi(t; \theta_1) + \epsilon_{0it}\),\(\epsilon_{0it} \sim N(0, \sigma^2_0)\)。
- 外部数据(若 \(i \notin C_0\)):\(Y_{0it} = \psi(t; \theta_0) + \epsilon_{0it}\),\(\theta_0 \neq \theta_1\)。
-
时间相关性:\(\text{Cov}(\epsilon_{sit}, \epsilon_{sit'}) = \sigma^2_s \exp\{-|t - t'|/\rho\}\)。
-
可观测数据:研究者实际能观测到的是所有内部数据 \(\{Y_{1it}\}\) 和全部外部数据 \(\{Y_{0it}\}\),但不知道 \(C_0\) 的具体构成。\(C_0\) 是潜在(不可观测)的,只能通过模型假设和边际似然准则去推断。关键点:本文的"相关性"定义是参数层面的——两个 DGP 共享 \(\theta_1\) 即视为相关,而非协变量分布层面的相似性。
第二步:最小内核¶
最简特例:假设内部研究只有 1 名受试者(\(N_1 = 1\)),外部研究有 2 名受试者(\(N_0 = 2\)),每人只在两个时间点被观测(\(T^{(s)}_i = \{0, 1\}\)),且 \(\rho = \infty\)(时间独立)。此时模型退化为:
- 内部:\(Y_{1,0} \sim N(\mu_0, \sigma^2_1)\),\(Y_{1,1} \sim N(\mu_1, \sigma^2_1)\)。
- 外部受试者 \(j\):\(Y_{j,0} \sim N(\mu^{(j)}_0, \sigma^2_0)\),\(Y_{j,1} \sim N(\mu^{(j)}_1, \sigma^2_0)\)。
要证明的命题(退化形式):当外部受试者 1 与内部受试者共享参数 \((\mu_0, \mu_1)\),而外部受试者 2 的参数不同时,边际似然准则应赋予"选择 \(\{1\}\)"高于"选择 \(\{1,2\}\)"或"选择 \(\emptyset\)"的后验概率。
证明思路(直觉层面):边际似然 \(P(Y_{\text{int}} \mid C)\) 衡量的是"在仅使用子集 \(C\) 的信息来估计 \(\theta_1\) 的先验/后验时,内部数据被解释得有多好"。如果 \(C\) 包含了 DGP 不一致的外部受试者(如受试者 2),那么基于 \(C\) 估计的 \(\theta_1\) 会被拉向错误的参数值,导致内部数据的边际似然下降。因此,边际似然准则天然地惩罚"包含错误外部数据"的子集。为什么成立:在贝叶斯框架下,边际似然自动实现了 Occam's razor——更复杂的模型(更大的子集)只有在额外数据确实提升拟合时才被偏好;当外部数据与内部 DGP 不一致时,额外数据不仅不提升拟合,反而因参数估计偏移而降低边际似然。
一般情形的推广:本文的理论结果(Theorem 2.1 和 2.2)正是将上述直觉推广到一般参数模型和纵向数据设定。Theorem 2.1 表明,当外部与内部 DGP 足够接近(\(\|\theta_0 - \theta_1\|_1 \lesssim \epsilon_{N^*_0}\))时,边际似然会偏好包含全部外部数据的子集;Theorem 2.2 则表明,当外部数据包含足够多的"错误"样本时,边际似然会偏好只包含正确子集 \(C_0\) 的模型,且错误包含的样本数至多为 \(o(N^*_0)\)。核心数学困难在于:边际似然涉及对参数 \(\theta_1\) 的高维积分,且子集空间 \(\{0,1\}^{N_0}\) 的搜索不可行。本文通过 (i) 利用 C-样条的线性结构获得共轭性(截断多元正态先验),(ii) 采用 MCMC 对子集 \(C\) 进行采样,绕过了这两个困难。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在内部试验随访时间有限、外部试验随访时间更长的设定下,如何从外部数据中选择性地借用与内部数据生成机制一致的子集,以改善长期疗效(FIX 水平平台期)的估计与推断。
- 核心工具/方法:提出 BASE(BAyesian Selection of External data)框架——将外部子集 \(C\) 视为未知参数,赋予先验 \(\Pi(C)\),通过边际似然 \(P(Y_{\text{int}} \mid C)\) 驱动后验采样;模型采用拼接三次 Hermite 样条(CCHs)刻画 FIX 水平的"上升-转折-平台"轨迹,利用共轭性实现高效 Gibbs 采样。
- 主要结论:理论证明(Theorem 2.1, 2.2)表明,在 i.i.d. 设定下,BASE 能一致地识别与内部 DGP 相关的外部子集——当外部与内部 DGP 接近时选择全部外部数据,当存在大量不一致数据时选择正确子集且错误包含率趋于 0;模拟和真实数据(血友病 B 基因治疗试验)分析表明,BASE 在长期预测精度上优于直接合并(DC)和不借用(NB)两种基线,且能识别出约 60% 的外部轨迹用于信息借用。
关键设定与假设¶
- C-样条模型:均值函数 \(\psi(t; \theta)\) 由两段三次 Hermite 样条拼接而成,转折点 \(\alpha\) 为参数。约束:\(\mu_0 > 0\)(初始 FIX 水平),\(m_0 > 0\)(上升斜率),\(m_1 < 0\)(下降斜率),\(\mu_2 > 0\)(平台水平)。这一设定比线性或多项式模型更灵活,能刻画基因治疗"先升后降再平"的典型轨迹。
- 先验设定:\(\theta \sim N(\beta_0, \Psi_0)\)(截断以满足约束),\(\sigma^{-2}_s \sim \text{Gamma}(a_0, b_0)\),\(\log(\rho) \sim N(0, \psi^2_0)\),\(\Pi(C) \propto 1\)(均匀先验)。共轭性使得 \(\theta\) 和 \(\sigma^2\) 的条件后验为截断正态和 Gamma 分布,可实现 Gibbs 采样。
- 理论假设:(A1) 参数模型正确设定;(A2) 外部和内部 DGP 均可由模型正确估计;(A3) 外部总观测数 \(N^*_0\) 不超过内部 \(N^*_1\) 的某个常数倍(保证内部数据主导);(A4) 先验在真值附近有足够质量(K-L 邻域条件)。这些假设是贝叶斯非参数收缩理论的常规条件,用于保证后验收缩率 \(\epsilon_n = (M_n/n)^{1/2}\)。
- 相比已有工作的变化:相比幂先验(全局折扣因子 \(\alpha\)),本文的 \(C\) 是离散子集选择,允许对外部数据内部做区分;相比合成控制(权重 \(\sum w_j = 1\)),本文的选择是硬阈值(0/1),且由边际似然驱动而非预测误差最小化。
主要结果¶
- 理论结果:
- Theorem 2.1:若 \(\|\theta_0 - \theta_1\|_1 \lesssim \epsilon_{N^*_0}\)(外部与内部 DGP 足够接近),则边际似然比 \(P(Y_{\text{int}} \mid C = \text{全部}) / P(Y_{\text{int}} \mid C = \emptyset) \to \infty\),即 BASE 倾向于借用全部外部数据。
- Theorem 2.2:若外部数据中"错误"样本占比足够高,则 BASE 选择正确子集 \(C_0\) 的后验概率趋于 1,且错误包含的样本数 \(m'\) 满足 \(m'/(N^*_0 + m') \to 0\)。证明的关键在于将边际似然比分解为"拟合优度"与"模型复杂度惩罚"两项,利用后验收缩率控制前者,利用先验的离散性控制后者。
-
局限:理论仅在 i.i.d. 设定下建立,未覆盖纵向相关结构(尽管模拟中使用了相关数据);收缩率 \(\epsilon_n\) 的常数 \(K\) 依赖模型维数 \(d\),在高维样条基下可能退化。
-
模拟结果:
- Setting 1(显著差异):BASE(SP)在 \(\ell_S\) 和 \(\ell_P\) 上均优于 DC 和 NB,尤其在 \(K_1\)(正确外部轨迹数)较小时优势明显。例如,\(\rho=50, K_1=2, K_2=8\) 时,SP 的 \(\ell_P\) 中位数约为 0.06,DC 约为 0.39,NB 约为 0.37。
- Setting 2(与 SSCM 对比):SSCM 在预测精度上略优于 SP(\(\ell_3\) 和 \(\ell_5\) 更小),但 SSCM 无法提供关于"哪些外部轨迹被选中"的推断,且其权重解释性弱。SP 的优势在于可解释性和推断有效性。
- Setting 3(压力测试):当正确与错误外部轨迹在早期高度相似、后期才分化时,SP 仍能保持较好的 \(\ell_P\),但 \(\ell_S\) 略有退化,说明早期阶段的相似性会干扰子集选择。
-
覆盖概率:SP 的 95% 可信区间覆盖概率在 0.85–0.95 之间,略低于名义水平,尤其在 \(\rho\) 较小时;DC 的覆盖概率严重偏低(如 0.00–0.30),NB 的覆盖概率接近名义水平但区间宽度过大。
-
真实数据(HOPE-B 试验):
- 数据:内部研究为 HOPE-B 三期试验(54 名受试者,随访至 2 年);外部研究为 phase 1 试验(10 名受试者,随访至 5 年)和 phase 2b 试验(3 名受试者,随访至 2.5 年)。共 10 条外部轨迹。
- 结果:BASE 选择约 60% 的外部轨迹(6/10)用于信息借用。预测的 3 年 FIX 水平中位数为 33.42(95% CI [27.29, 38.34]),与 HOPE-B 试验实际报告的 3 年数据(中位数 36.0)一致。相比之下,DC 方法预测的 3 年 FIX 水平为 34.70,NB 方法为 22.94(后者因缺乏长期信息而严重低估)。
- 科学解释:被选中的外部轨迹主要来自 phase 2b 试验(其使用的 FIX 变体与 HOPE-B 相同),而被排除的轨迹来自 phase 1 试验(使用野生型 FIX 基因),这与"FIX Padua 变体具有更高活性"的生物学知识一致。
🔎 结论是否比证明窄¶
是,存在明显的不匹配。具体表现:
-
理论 vs. 模拟/应用的差距:Theorem 2.1 和 2.2 仅在 i.i.d. 设定下证明,但模拟和真实数据均使用纵向相关数据(指数核协方差)。作者在正文中承认"理论结果在独立设定下建立,但模拟表明在相关设定下仍然有效",但未提供任何关于相关结构如何影响收缩率或选择一致性的理论刻画。具体语句:Theorem 2.1 的证明依赖 Ghosal et al. (2000) 的 i.i.d. 后验收缩引理,而模拟中的 \(\rho=10,30,50\) 对应强相关,二者之间的桥梁缺失。
-
"选择一致性"的表述过强:Theorem 2.2 的结论是"BASE 能以高概率选择正确子集 \(C_0\)",但证明中允许错误包含 \(m' = o(N^*_0)\) 个错误样本。在真实数据中,\(N^*_0\) 仅为 10(外部轨迹数),\(o(N^*_0)\) 的渐近表述在有限样本下几乎没有约束力。作者在 Table 4 中报告 \(p^{[2]}\)(错误选择比例)的中位数约为 0.2,这与"选择一致性"的渐近承诺之间存在明显差距。
-
未证明的"信息借用增益":作者在摘要和引言中声称 BASE "improves the inference of the durability of long-term efficacy",但理论部分仅证明了子集选择的一致性,未证明基于所选子集的估计效率增益(如 MSE 降低或置信区间缩短)。模拟中 \(\ell_P\) 的改善是经验性的,缺乏理论保证。具体语句:Theorem 2.1 和 2.2 的陈述均关于"选择"而非"估计精度"。
-
先验敏感性未理论化:作者在敏感性分析中考察了不同先验超参数(\(\nu_0, \Psi_0, a_0, b_0\))的影响,但未提供任何关于先验选择如何影响后验收缩率或选择一致性的理论指导。对于"均匀先验 \(\Pi(C) \propto 1\)"是否在 \(N_0\) 较大时会导致对子集大小的隐式偏好(因为子集数量随 \(|C|\) 呈组合增长),作者未作讨论。
技术技巧¶
- 边际似然的调和均值估计:Step 1 中采用 Newton and Raftery (1994) 的调和均值估计器近似边际似然。这是一个经典但已知有偏的技巧——作者在脚注中承认"调和均值估计器可能高估边际似然",但未提供替代方案(如 Chib's method 或路径抽样)。
- 共轭 Gibbs 采样:利用截断多元正态先验与正态似然的共轭性,\(\theta\) 的条件后验为截断正态,可通过 Gibbs 采样高效更新。这是计算可行性的关键。
- Metropolis-Hastings 子集提议:对 \(C\) 的更新采用 Metropolis-Hastings 算法,提议分布 \(q(C_{\text{new}} \mid C_{\text{old}}, I_{\text{prop}})\) 结合了当前最优子集 \(C_{\text{max}}\) 的信息(式 11),以加速收敛。这是一个实用的工程技巧,但缺乏理论收敛保证。
- CCHs 的线性结构:将 C-样条参数化为参数 \(\theta\) 的线性函数,使得似然对 \(\theta\) 为高斯,从而获得共轭性。这一选择是方法可行性的核心。
四、开放问题¶
以下开放问题均扎根于本文的具体语句或直接推论:
-
纵向相关结构下的理论刻画:Theorem 2.1 和 2.2 仅在 i.i.d. 设定下证明,但模拟和真实数据均使用相关数据。要做什么:在指数核协方差或更一般的混合效应模型下,推导后验收缩率和子集选择一致性的显式条件。扎根于:Theorem 2.1 的假设 (A1)-(A4) 和模拟设置(\(\rho=10,30,50\))。
-
估计效率的理论保证:本文证明了子集选择的一致性,但未证明基于所选子集的估计量在 MSE 或置信区间长度意义上优于 NB。要做什么:建立"选择性借用"估计量的渐近分布理论,刻画其在"正确选择"事件下的效率增益。扎根于:摘要中 "improve the inference" 的声称与 Theorem 2.1/2.2 仅关于选择一致性的陈述之间的差距。
-
先验对子集大小的隐式偏好:均匀先验 \(\Pi(C) \propto 1\) 在 \(N_0\) 较大时是否会导致对中等大小子集的偏好(因为子集数量 \(\binom{N_0}{k}\) 在 \(k \approx N_0/2\) 时最大)?要做什么:分析先验对后验子集大小分布的影响,提出对 \(N_0\) 不敏感的先验(如基于 \(|C|\) 的惩罚先验)。扎根于:Section 2.1 中 \(\Pi(C) \propto 1\) 的设定和 Table 4 中 \(p^{[2]}\) 的非零值。
-
调和均值估计器的偏差校正:作者承认调和均值估计器可能高估边际似然,但未提供替代方案。要做什么:比较调和均值、Chib's method、路径抽样等边际似然估计器在子集选择问题中的表现,或提出基于热力学积分的无偏估计器。扎根于:Section 4.1 的脚注和 Section 9 的讨论。
-
协变量信息在子集选择中的角色:本文的子集选择仅基于结局轨迹的相似性,未利用受试者的协变量信息(如年龄、基线 FIX 水平、中和抗体滴度)。要做什么:将协变量纳入选择准则,考察其是否能提高子集选择的精度和可解释性。扎根于:Section 1.2 中"其他基因治疗试验"的描述,以及 Table 4 中仅按轨迹相似性分组的讨论。
-
计算可扩展性:本文的 MCMC 方案在 \(N_0 = 10\) 时可行,但当外部数据规模增大(如 \(N_0 > 100\))时,子集空间的搜索将面临组合爆炸。要做什么:开发基于变分推断或随机搜索的近似算法,或利用子集选择的子模性设计贪心算法。扎根于:Section 6 讨论中 "the current proposal is not effective when the external data size is large" 的承认。
提醒:若要确认上述某条是否为真 gap,建议去读以下子领域的近期约 5 篇论文的引言部分:(i) 贝叶斯模型平均与 Occam's window 文献;(ii) 传输学习(transfer learning)中的"负迁移"检测;(iii) 因果推断中的数据融合(data fusion)与"可迁移性"(transportability)文献;(iv) 合成控制法的近期理论进展。若这些文献的引言都指向"子集选择缺乏理论保证"这一共识,则第 1、2 条是值得投入的真问题;若它们各自已有解决方案,则本文的 gap 可能比作者声称的更窄。
Maintained by 陈星宇 · Homepage · Source on GitHub