Efficient and multiply robust risk estimation under general forms of dataset shift
一般数据集偏移下的高效且多重稳健风险估计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。
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：摘要的风险是一般机器学习任务的损失风险，没有金融尾部风险、收益预测或其他所列领域的直接依据。
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…
一般数据集偏移下的高效且多重稳健风险估计
- 研究问题
- 源总体与目标总体存在数据集偏移时，如何利用辅助总体提高目标机器学习任务风险的估计精度，并检验所采用的偏移条件？
- 方法与思路
- 作者利用半参数效率理论研究包含协变量、标签和概念偏移的一般条件，允许部分支持不重叠，构造高效、多重稳健估计及设定检验。
- 材料陈述的贡献
- 摘要称提供目标风险的高效和多重稳健估计量、偏移条件检验，并推导后验漂移及位置尺度偏移下的效率界，模拟支持效率收益。
- 阅读关注点
- 应核对各类偏移条件、目标风险定义、支持不重叠时的信息要求，以及多重稳健性对应哪些模型组合和设定检验的能力。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要。风险指机器学习任务风险；摘要未说明具体稳健组合或效率增益数值，不能推断任意偏移下有效。
原文摘要
. Despite extensive literature on dataset shift, limited works address how to efficiently use the auxiliary populations to improve the accuracy of risk evaluation for a given machine learning task in the target population. In this paper, we study the general problem of efficiently estimating target population risk under various dataset shift conditions, leveraging semiparametric efficiency theory. We consider a general class of dataset shift conditions, which includes three popular conditions-covariate, label and concept shift-as special cases. We allow for partially nonoverlapping support between the source and target populations. We develop efficient and multiply robust estimators along with a straightforward specification test of these dataset shift conditions. We also derive efficiency bounds for two other dataset shift conditions, posterior drift and location-scale shift. Simulation studies support the efficiency gains due to leveraging plausible dataset shift conditions.