A simple and general debiased machine learning theorem with finite-sample guarantees
具有有限样本保证的简明通用去偏机器学习定理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：摘要提出通用泛函推断定理，处理效应仅为例子，未将理论限定在所列领域细分。
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
具有有限样本保证的简明通用去偏机器学习定理
- 研究问题
- 如何把机器学习算法的学习速率转化为标量泛函的有效统计推断，并在有限样本分析中统一处理全局与局部目标？
- 方法与思路
- 作者以偏差修正和样本分割构成去偏机器学习程序，在若干可解释条件下，用非渐近论证研究一致性、高斯近似和半参数效率。
- 材料陈述的贡献
- 摘要称，全局泛函具有平方根样本量级的收敛率，局部泛函速率相应减慢；所给条件还揭示病态逆问题中的一般双重稳健性。
- 阅读关注点
- 应核对泛函的定义、关键学习误差与余项条件、局部化造成的速率变化，以及有限样本界如何支持高斯近似和效率结论。
- 阅读边界
- 仅据所给 Crossref 摘要；条件和误差界未列出，适用任意算法以满足条件为前提，不能保证未经核验的机器学习区间有效。
原文摘要
Summary Debiased machine learning is a meta-algorithm based on bias correction and sample splitting to calculate confidence intervals for functionals, i.e., scalar summaries, of machine learning algorithms. For example, an analyst may seek the confidence interval for a treatment effect estimated with a neural network. We present a non-asymptotic debiased machine learning theorem that encompasses any global or local functional of any machine learning algorithm that satisfies a few simple, interpretable conditions. Formally, we prove consistency, Gaussian approximation and semiparametric efficiency by finite-sample arguments. The rate of convergence is $n^{-1/2}$ for global functionals, and it degrades gracefully for local functionals. Our results culminate in a simple set of conditions that an analyst can use to translate modern learning theory rates into traditional statistical inference. The conditions reveal a general double robustness property for ill-posed inverse problems.