Outcome-adapted Automatic Debiased Machine Learning
结局适配的自动去偏机器学习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：摘要明确以处理或政策效应等结局回归的线性泛函为目标，并研究自动去偏因果估计，因此最直接对应因果推断。
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…
结局适配的自动去偏机器学习
- 研究问题
- 自动去偏机器学习同时估计结局回归与 Riesz 表示元时，共享协变量表示应保留什么信息，才能提高因果参数估计效率？
- 方法与思路
- 作者提出保留结局预测信息、舍弃表示元预测信息的稀疏共享表示，构造结局适配估计量，并在样本拆分框架下分析渐近行为。
- 材料陈述的贡献
- 摘要称，符合其条件的结局适配表示比使用全部协变量的基准渐近更有效，并在合成数据及半合成 IHDP 数据上展示估计表现。
- 阅读关注点
- 应核对信息舍弃仍保持目标识别的条件、效率比较针对哪些基准，以及表示学习与样本拆分如何影响余项和推断有效性。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明效率结论的完整条件，基准表现不能外推为普遍优势。
原文摘要
Parameters of interest in causal inference, such as treatment or policy effects, can often be expressed as linear functionals of an outcome regression function. Automatic debiased machine learning (AutoDML) is a unified framework for obtaining asymptotically normal estimators of such parameters, which requires estimation of both a regression function and a Riesz representer. Existing AutoDML neural network architectures, such as RieszNet and MADNet, use a shared intermediate covariate representation. However, it remains unclear whether this shared representation should be predictive of the Riesz representer or the outcome. We show that a shared representation of the covariates that preserves predictive power of the outcome while discarding information about the Riesz representer is asymptotically more efficient than the baseline AutoDML estimator that uses all covariates. Motivated by these results, we propose the outcome-adapted AutoDML estimator and establish its asymptotic behavior in a sample splitting framework. We provide a neural network implementation of the estimator that learns a sparse representation of the covariates that is predictive of the outcome but not predictive of the Riesz representer. We demonstrate the efficiency gains of our estimator over existing alternatives on synthetic data and achieve state-of-the-art estimation accuracy on the semi-synthetic IHDP benchmark dataset.