Active Subsampling for Measurement-Constrained M-Estimation of Individualized Thresholds with High-Dimensional Data
高维数据下测量受限个体化阈值的主动子抽样M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：摘要聚焦测量受限下的主动子抽样与高维 M 估计理论，未涉及因果推断、面板、离散选择等所列细分领域的直接文本依据，故不选。
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
高维数据下测量受限个体化阈值的主动子抽样M估计
- 研究问题
- 在标注预算受限、只能标注少量数据点的情形下，如何选择最值得标注的观测，以估计高维线性阈值 θ^TZ，使 X 是否超过该阈值与二值结果 Y 的差异最小化。
- 方法与思路
- 作者在测量受限的 M 估计框架下提出一种 K 步主动子抽样算法，迭代地抽取数据集中信息量最大的观测，并求解带正则化的 M 估计量；理论分析刻画了关于 β（X 在给定 Y 与 Z 下条件密度光滑度）的相变现象。
- 材料陈述的贡献
- 摘要称提出新的 K 步主动子抽样算法用于估计 θ，并给出理论分析，揭示相对于条件密度光滑度 β 的尖锐相变现象；摘要提到完整摘要见原文。
- 阅读关注点
- 应核对相变的具体条件与速率、子抽样信息量准则的定义、正则化 M 估计的识别与收敛假设，以及相变结论依赖的密度光滑度条件是否可检验。
- 阅读边界
- 这是 arXiv 预印本，未经同行评审验证；摘要未说明具体数据、模拟或实证结果、样本量、算法参数选择与相变阈值的数值，不能据此判断实际表现。
原文摘要
Measurement-constrained problems frequently arise in modern applications such as electronic health record studies. In such problems, despite the availability of large datasets, collecting labeled data can be highly costly or time-consuming, allowing only a small portion of the data to be labeled within a given budget. This raises a critical question: which data points are most beneficial to label given the budget constraint? We study this question in the context of estimating an optimal individualized threshold under a measurement-constrained M-estimation framework. In particular, our goal is to estimate a high-dimensional parameter $θ$ in a linear threshold $θ^TZ$ for a continuous variable $X$ such that the discrepancy between whether $X$ exceeds the threshold $θ^TZ$ and a binary outcome $Y$ is minimized. In the measurement-constrained setting, we propose a novel $K$-step active subsampling algorithm to estimate $θ$, which iteratively samples the most informative observations in the dataset and solves a regularized M-estimator. Our theoretical analysis reveals a sharp phase transition phenomenon with respect to $β$, the smoothness of the conditional density of $X$ given $Y$ and $Z$. Please see the paper for the full abstract.