Late Fusion Multi-task Learning for Semiparametric Inference with Nuisance Parameters
含干扰参数的半参数推断：后期融合多任务学习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：摘要明确将多来源异质性处理效应估计作为半参数多任务学习的应用。
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…
含干扰参数的半参数推断：后期融合多任务学习
- 研究问题
- 多个数据来源具有相似但不完全相同的参数结构时，如何在不共享个体数据的前提下，提高半参数估计和异质性处理效应分析的效率？
- 方法与思路
- 作者先对各任务分别进行双重机器学习估计，再自适应聚合估计结果；另提出利用任务间相似性的干扰参数多任务估计方法。
- 材料陈述的贡献
- 摘要称，当任务的参数部分相似时，聚合方法具有比单任务学习更快的收敛率，并以模拟和真实数据应用展示其表现。
- 阅读关注点
- 应核对任务相似性的定义、聚合权重的构造、负迁移控制及收敛率条件，并区分参数聚合与干扰参数共享各自带来的收益。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明具体识别条件和速率；不共享个体数据也未构成正式隐私保证。
原文摘要
In the age of large and heterogeneous datasets, the integration of information from diverse sources is essential to improve parameter estimation. Multi-task learning offers a powerful approach by enabling simultaneous learning across related tasks. In this work, we introduce a late fusion framework for multi-task learning with semiparametric models that involve infinite-dimensional nuisance parameters, focusing on applications such as heterogeneous treatment effect estimation across multiple data sources, including electronic health records from different hospitals or clinical trial data. Our framework is two-step: first, initial double machine-learning estimators are obtained through individual task learning; second, these estimators are adaptively aggregated to exploit task similarities while remaining robust to task-specific differences. In particular, the framework avoids individual level data sharing, preserving privacy. Additionally, we propose a novel multi-task learning method for nuisance parameter estimation, which further enhances parameter estimation when nuisance parameters exhibit similarity across tasks. We establish theoretical guarantees for the method, demonstrating faster convergence rates compared to individual task learning when tasks share similar parametric components. Extensive simulations and real data applications complement the theoretical findings of our work while highlight the effectiveness of our framework even in moderate sample sizes.