Covariate-Powered Empirical Bayes Estimation
协变量辅助的经验贝叶斯估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要讨论多实验效应的通用经验贝叶斯估计，未明确处理分配或因果识别结构，现有证据不足以选择给定细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
协变量辅助的经验贝叶斯估计
- 研究问题
- 同时分析大量含噪实验时，如何综合各实验的观测结果与丰富辅助协变量，更准确地估计每个实验背后的真实效应？
- 方法与思路
- 作者提出灵活的插件式经验贝叶斯估计量，将含噪结果与协变量结合，并允许使用黑箱预测模型辅助估计。
- 材料陈述的贡献
- 摘要称在简单生成模型下达到极小极大风险的常数倍，并在更一般情形下获得稳健收敛保证及真实、模拟数据支持。
- 阅读关注点
- 应核对简单生成模型、常数倍风险基准、一般收敛条件，以及黑箱模型误差如何影响经验贝叶斯估计的保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明实验效应的因果识别，也未提供风险常数或应用数值。
原文摘要
We study methods for simultaneous analysis of many noisy experiments in the presence of rich covariate information. The goal of the analyst is to optimally estimate the true effect underlying each experiment. Both the noisy experimental results and the auxiliary covariates are useful for this purpose, but neither data source on its own captures all the information available to the analyst. In this paper, we propose a flexible plug-in empirical Bayes estimator that synthesizes both sources of information and may leverage any black-box predictive model. We show that our approach is within a constant factor of minimax for a simple data-generating model. Furthermore, we establish robust convergence guarantees for our method that hold under considerable generality, and exhibit promising empirical performance on both real and simulated data.