Demystifying Spectral Feature Learning for Instrumental Variable Regression
揭示工具变量回归中谱特征学习的机制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：摘要明确研究隐藏混杂下的因果效应估计，并采用非参数工具变量回归。
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…
揭示工具变量回归中谱特征学习的机制
- 研究问题
- 在存在隐藏混杂的非参数工具变量回归中，谱特征学习何时有效，结构函数的谱对齐与工具强度如何影响估计误差？
- 方法与思路
- 作者推导基于谱特征的两阶段最小二乘泛化误差界，并结合合成实验与数据诊断程序研究谱对齐和特征值衰减。
- 材料陈述的贡献
- 摘要称，强谱对齐下工具强弱决定有效学习的样本需求，弱谱对齐则导致方法失效，并提出识别这些情形的实用程序。
- 阅读关注点
- 应核对谱对齐、工具强度与最优性的形式定义，误差界的适用条件，以及从有限样本估计谱性质的可靠性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未说明误差界的具体条件、最优性标准及诊断误差。
原文摘要
We address the problem of causal effect estimation in the presence of hidden confounders, using nonparametric instrumental variable (IV) regression. A leading strategy employs spectral features - that is, learned features spanning the top eigensubspaces of the operator linking treatments to instruments. We derive a generalization error bound for a two-stage least squares estimator based on spectral features, and gain insights into the method's performance and failure modes. We show that performance depends on two key factors, leading to a clear taxonomy of outcomes. In a good scenario, the approach is optimal. This occurs with strong spectral alignment, meaning the structural function is well-represented by the top eigenfunctions of the conditional operator, coupled with this operator's slow eigenvalue decay, indicating a strong instrument. Performance degrades in a bad scenario: spectral alignment remains strong, but rapid eigenvalue decay (indicating a weaker instrument) demands significantly more samples for effective feature learning. Finally, in the ugly scenario, weak spectral alignment causes the method to fail, regardless of the eigenvalues' characteristics. Our synthetic experiments empirically validate this taxonomy. We further introduce a practical procedure to estimate these spectral properties from data, allowing practitioners to diagnose which regime a given problem falls into. We apply this method to the dSprites dataset, demonstrating its utility.