A Riesz Representer Perspective on Targeted Learning
从 Riesz 表示元视角理解目标学习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：摘要直接涉及时变处理效应、处理与混杂反馈，以及因果中介分析中的直接和间接效应。
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…
从 Riesz 表示元视角理解目标学习
- 研究问题
- 面对时变处理、处理与混杂反馈及中介效应等复杂目标，如何利用共同的线性结构，统一构造渐近有效的目标学习估计程序？
- 方法与思路
- 作者借助递归形式的 Riesz 表示元，为嵌套线性泛函构造目标最小损失估计，并通过数值实验和 HIV 疫苗试验再分析展示。
- 材料陈述的贡献
- 摘要称，该程序统一多类因果推断目标的渐近有效估计，减少复杂删失和抽样条件下逐个推导估计量的技术负担。
- 阅读关注点
- 应核对嵌套泛函与递归表示元的定义、因果目标的识别条件，以及复杂删失下的有效性、余项控制和实现步骤。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未列出有效性所需的完整条件，统一形式不代表适用于所有因果目标。
原文摘要
As research in causal inference has sought to address more complex scientific questions, the number of specialized estimands in the field has proliferated. Recognition that many of these estimands share a common linear form has generated interest in simplifying estimation procedures using Riesz representers. In this work, we construct a targeted minimum loss-based estimation procedure for nested linear functionals, leveraging Riesz representers of a general recursive form. The proposed method unifies asymptotically efficient estimation for a variety of statistical estimands that originate in causal inference, including the effects of time-varying treatments under treatment-confounder feedback and direct and indirect effects from causal mediation analysis. We demonstrate how our proposal reduces the need for laborious and technically challenging mathematical derivations when constructing estimators of common statistical estimands under complex forms of censoring and sampling. We investigate and validate the properties of the proposed procedures in numerical experiments, discuss open-source software facilitating their implementation, and illustrate their application in a re-analysis of data from an HIV vaccine efficacy trial.