Perturbed Double Machine Learning: Nonstandard Inference Beyond the Parametric Length
扰动双重机器学习：超越参数化长度的非标准推断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：摘要聚焦高维冗余参数下的半参数推断理论，未涉及因果识别、面板、离散选择、时间序列或金融等具体应用领域，故不选任何细分方向。
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…
扰动双重机器学习：超越参数化长度的非标准推断
- 研究问题
- 摘要称，研究在存在无穷维冗余参数时，对低维泛函 β 的推断问题；核心是当冗余参数估计收敛慢于 n^{-1/4} 时，经典 Wald 区间与 DML 的渐近正态性失效，如何仍获得有效推断。
- 方法与思路
- 作者提出扰动双重机器学习：在冗余参数估计步骤注入随机性生成扰动模型，每个模型给出 β 的估计与 Wald 区间，再按偏离原始 DML 估计超过阈值的规则筛除扰动；对 Lasso 冗余学习器给出理论论证，并称框架可推广到一般机器学习学习器。
- 材料陈述的贡献
- 摘要称，该方法在冗余估计收敛慢于 n^{-1/4} 时仍能保证有效推断；对 Lasso 情形证明以高概率至少存在一个扰动使冗余估计足够接近真值，从而 β 估计接近已知冗余的 oracle；保留区间的并集在 DML 估计收敛慢于 n^{-1/2} 时仍具有效覆盖率。
- 阅读关注点
- 应核对扰动注入的具体机制与阈值选择规则、Lasso 情形所需的正则化与稀疏性等识别条件、并集区间的覆盖定理及其渐近框架、慢收敛下区间的宽度与实用性，以及模拟设定是否对应所声称的失效场景。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；这是预印本，不能据此声称已同行评审或期刊接收。摘要未说明具体定理假设、阈值取值、模拟样本量与数据生成细节，也未给出可核验的数值结果。
原文摘要
We study inference on a low-dimensional functional $β$ in the presence of infinite-dimensional nuisance parameters. Classical inferential methods are typically based on Wald intervals, whose large-sample validity rests on asymptotic negligibility of nuisance error; for example, influence-curve based estimators (Double/Debiased Machine Learning, DML) are asymptotically Gaussian when nuisance estimators converge faster than $n^{-1/4}$. Although such negligibility can hold even in nonparametric classes, it can be restrictive. To relax this requirement, we propose Perturbed Double Machine Learning, which ensures valid inference even when nuisance estimators converge slower than $n^{-1/4}$. Our proposal is to (i) inject randomness into the nuisance estimation step to generate perturbed nuisance models, each yielding an estimate of $β$ and a Wald interval, and (ii) filter out perturbations whose deviations from the original DML estimate exceed a threshold. For Lasso nuisance learners, we show that, with high probability, at least one perturbation yields nuisance estimates sufficiently close to the truth, so the associated estimator of $β$ is close to an oracle with known nuisances. The union of retained intervals delivers valid coverage even when the DML estimator converges slower than $n^{-1/2}$. The framework extends to general machine-learning nuisance learners, and simulations show coverage when state-of-the-art methods fail.