Résumé Technique : Apprentissage Adaptatif et Efficace avec Données à Manquants par Blocs et Semi-Supervisées

1. Énoncé du Problème

L'article traite des défis de la fusion de données en présence de trois complications simultanées :

1. Manquants par Blocs (BM - Blockwise Missingness) : Les covariables sont manquantes par blocs à travers différentes sources de données car les variables sont collectées ou définies différemment. Cela résulte en des schémas de données manquantes non monotones où des sous-ensembles spécifiques de covariables sont observés dans certaines sources mais manquants dans d'autres.
2. Contexte Semi-Supervisé (SS) : La variable de résultat $Y$ est coûteuse à obtenir (par exemple, nécessitant une revue clinique manuelle), laissant la majorité des échantillons de la population cible non étiquetés, tandis qu'un large ensemble de données non étiquetées avec des covariables entièrement observées est disponible.
3. Décalages de Distribution (Distributional Shifts) : Les sources de données présentent souvent une hétérogénéité due à des variations dans les normes de mesure ou les critères de recrutement. Les hypothèses standard comme le caractère "Manquant Complètement au Hasard" (MCAR) sont souvent irréalistes ; au contraire, l'absence de données peut dépendre des variables observées, et les distributions peuvent différer entre les sources.

L'objectif est d'estimer de manière robuste et efficace les paramètres d'un Modèle Linéaire Généralisé (GLM) pour une population cible (Unlabeled Complete, UC) en fusionnant :

• LC (Labeled Complete) : Petit échantillon avec covariables et résultats entièrement observés.
• LM (Labeled Missing) : Multiples sources avec des résultats mais des covariables manquantes par blocs.
• UC (Unlabeled Complete) : Grand échantillon avec des covariables entièrement observées mais sans résultats.

Un défi critique est le désalignement des sources : si la distribution conditionnelle des résultats étant donné les covariables diffère entre une source étiquetée et la population cible (violant la transportabilité), la fusion naïve introduit un biais.

2. Méthodologie : DEFUSE

Les auteurs proposent DEFUSE (Data-adaptive Estimation approach for data FUsion in the SEmi-supervised setting), qui opère sous une hypothèse d'Alignement Conditionnel sous Manquants (CAM - Conditional Alignment under Missingness).

2.1 Hypothèse Centrale (CAM)

La méthode suppose que, conditionnellement à un sous-ensemble prédéfini de variables $Z_r$ (qui peut inclure les résultats et les covariables observées), les distributions de données des sources étiquetées manquantes ($LM_r$) et de la population cible ($UC$) sont alignées :
$$P_{LM_r}(Y, X | Z_r) = P_{UC}(Y, X | Z_r)$$
Cela assouplit l'hypothèse stricte de MCAR, permettant aux données manquantes de dépendre des variables observées, à condition que l'alignement conditionnel soit respecté.

2.2 Procédure d'Estimation en Deux Étapes

Étape 1 : Estimation Préliminaire (Opérateur DML)
Un estimateur préliminaire $\hat{\gamma}$ est dérivé en utilisant uniquement les échantillons LC et UC. Pour gérer les décalages de distribution entre LC et UC sans dépendre d'une estimation instable du rapport de densité, les auteurs emploient un opérateur de Double/Debiased Machine Learning (DML) :
$$M_{LC}(D) = h_{LC}(X)(D - E_{LC}[D|X]) + E_{UC}(E_{LC}[D|X])$$
où $h_{LC}(X)$ est le rapport de densité. Cet opérateur corrige le biais tout en maintenant la cohérence $n^{1/2}$, même si les modèles de nuisance (rapports de densité et moyennes conditionnelles) convergent à des rythmes plus lents ($o_P(n^{-1/4})$).

Étape 2 : Approche de Variable de Contrôle Adaptative aux Données
Pour incorporer les échantillons $LM_r$ et réduire la variance, DEFUSE utilise une stratégie de variable de contrôle (control variate). L'estimateur est augmenté comme suit :
$$\hat{\beta}(\phi) = c^\top \hat{\gamma} + \sum_{r=1}^R \left( \hat{E}_{LM_r}[\hat{M}_{LM_r}(\phi_r)] - \hat{E}_{LC}[\hat{M}_r(\phi_r)] \right)$$

• Opérateurs : $\hat{M}_r$ et $\hat{M}_{LM_r}$ sont construits selon les principes du DML pour ajuster les décalages de distribution entre les sources.
• Fonctions de Contrôle ($\phi_r$) : Ce sont des fonctions adaptatives aux données des variables observées dans $LM_r$. La méthode cherche à minimiser la variance asymptotique empirique $Q(\phi)$ par rapport à $\phi$.
• Stratégie de Raffinement : Au lieu d'optimiser directement des fonctions non paramétriques complexes, DEFUSE raffine un prédicteur "ancre" (par exemple, un modèle d'IA prédisant la fonction de score) en utilisant une fonction de repondération $w_r(W_r; \delta_r)$. Cela conduit à un problème de programmation quadratique à dimension finie, rendant la méthode calculablement traitable. Les auteurs proposent trois exemples pour $w_r$ : coefficients constants, fonctions linéaires et la Régression Ridge à Noyau (KRR).

2.3 Criblage des Sources Désalignées

Reconnaissant que certaines sources peuvent violer l'hypothèse CAM, les auteurs développent une procédure de criblage (screening) pour les exclure avant la fusion.

• Métrique : Ils proposent une mesure de Discrépance de la Moyenne Quadratique (MSD - Mean Squared Discrepancy), $\bar{\Delta}_r^2$, qui quantifie l'écart d'une source par rapport à l'alignement cible.
• Débiaisage : Pour éviter le biais lié à l'estimation des moyennes conditionnelles, ils utilisent un estimateur débiaisé basé sur une maximisation sur un espace de fonctions $G$.
• Sélection : Les sources dont le $\hat{\Delta}_r$ dépasse un seuil sont exclues. Théoriquement, cette mesure MSD est démontrée comme étant plus précise et plus sensible au désalignement que les analyses de sensibilité classiques basées sur la différence de moyenne.

3. Contributions Clés

1. Cadre Novateur : DEFUSE est la première méthode à traiter systématiquement le triplet de la perte par blocs, de l'apprentissage semi-supervisé et des décalages de distribution sous une hypothèse d'alignement conditionnel.
2. Efficacité Adaptative aux Données : La méthode introduit une nouvelle approche de variable de contrôle adaptative. Elle atteint une efficacité intrinsèque (optimale au sein d'une classe spécifiée de fonctions de contrôle) et peut atteindre la limite d'efficacité semi-paramétrique si la classe de fonctions de contrôle est suffisamment riche (par exemple, via KRR).
3. Robustesse au Désalignement : La procédure de criblage proposée identifie et exclut efficacement les sources désalignées, empêchant la propagation du biais, ce qui est une limite de nombreuses méthodes de fusion existantes qui supposent une transportabilité parfaite.
4. Faisabilité Computationnelle : En réduisant l'optimisation des fonctions de contrôle à une programmation quadratique, la méthode permet d'intégrer des caractéristiques auxiliaires de haute dimension et des modèles de machine learning "boîte noire" tout en restant efficace sur le plan computationnel.
5. Garanties Théoriques : L'article établit la normalité asymptotique, la cohérence et les limites d'efficacité semi-paramétrique pour l'estimateur proposé sous des conditions de régularité.

4. Résultats

Études de Simulation

• Efficacité : DEFUSE surpasse systématiquement les méthodes existantes (incluant l'imputation multiple, la fusion basée sur GMM et la repondération d'échantillons) en termes d'efficacité relative (RE). Dans divers contextes (linéaire/non linéaire, résultats binaires/continus), DEFUSE avec le repondage KRR (Exemple 3) a atteint une efficacité jusqu'à 25-80 % supérieure par rapport aux références.
• Robustesse : Sous des décalages de distribution et de non-linéarité, DEFUSE a maintenu de faibles ratios biais/erreur type, alors que les concurrents (comme SC-PW et MBI) ont montré un biais croissant.
• Performance du Criblage : Dans les contextes de sources désalignées, la méthode de criblage basée sur la MSD a obtenu des scores F1 et une sensibilité proches de la perfection pour identifier les sources désalignées, surpassant nettement les stratégies basées sur la différence de moyenne.

Applications Réelles

• Risque de Maladie d'Alzheimer (Données NACC) : Appliqué pour construire un modèle pronostique utilisant des données de plusieurs centres. La méthode de criblage a exclu 3 centres sur 8 en raison de désalignement. DEFUSE avec le repondage KRR a montré une efficacité relative de 2,76x pour la covariable alcool par rapport à l'estimateur préliminaire.
• Risque de Maladie Cardiaque (Données MIMIC-III) : Appliqué pour modéliser le risque de maladie cardiaque avec des biomarqueurs manquants par blocs. DEFUSE a démontré des gains d'efficacité substantiels (jusqu'à 3,65x pour l'âge et 5,72x pour le diabète dans plusieurs scénarios de BM) par rapport aux estimateurs préliminaires et aux méthodes de fusion existantes.

5. Signification et Revendications

L'article affirme que DEFUSE offre une solution pratique et puissante pour les problèmes modernes de fusion de données où les structures de données sont complexes et hétérogènes.

• Optimalité Théorique : Il comble le fossé entre l'efficacité semi-paramétrique théorique et la mise en œuvre pratique, fournissant un mécanisme pour approcher les limites d'efficacité même lorsque les estimateurs classiques à forme fermée ne sont pas disponibles.
• Protection de la Validité : En traitant explicitement le désalignement des sources via une procédure de criblage sensible, la méthode protège contre le biais qui affecte la fusion de jeux de données non alignés.
• Flexibilité : Le cadre est suffisamment flexible pour intégrer des caractéristiques auxiliaires de haute dimension (ex: issues de dossiers médicaux électroniques) et des modèles de machine learning puissants sans sacrifier la faisabilité computationnelle.

Les auteurs notent que bien que la méthode nécessite actuellement un échantillon étiqueté complet (LC), les travaux futurs pourraient généraliser l'approche à des contextes où seuls des données non étiquetées et partiellement étiquetées sont disponibles, à condition que l'union des covariables observées couvre les prédicteurs cibles.