Generalized Prediction-Powered Inference, with Application to Binary Classifier Evaluation
广义预测驱动推断及其在二分类器评估中的应用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：摘要聚焦缺失数据下的半参数效率与估计量推广，未涉及所给领域细分中的因果推断、面板、离散选择等具体方向，故不选择。
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…
广义预测驱动推断及其在二分类器评估中的应用
- 研究问题
- 在结果仅部分观测的设定下，如何将预测驱动推断（PPI）从 M 估计推广到更一般的估计量，并处理协变量分布漂移？
- 方法与思路
- 作者提出将 PPI 推广到任意正则渐近线性估计量，并把 PPI 置于缺失数据与半参数效率理论文献中加以定位，据此构造可应对三种协变量分布漂移的修正 PPI 估计量。
- 材料陈述的贡献
- 摘要称 PPI 在多数情形下未达到半参数效率下界，但可视为该文献中方法的计算简便替代；并提出可处理三类协变量分布漂移的修正估计量，通过数值研究构造了真阳性率、假阳性率与 AUC 的 PPI 估计量。
- 阅读关注点
- 应核对正则渐近线性估计量的具体条件、三种协变量分布漂移的定义与识别假设、修正估计量的构造与渐近性质，以及数值研究中与既有方法的比较设定。
- 阅读边界
- 仅凭摘要无法判断定理条件、效率界推导、模拟设计与有限样本表现；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
In the partially-observed outcome setting, a recent set of proposals known as "prediction-powered inference" (PPI) involve (i) applying a pre-trained machine learning model to predict the response, and then (ii) using these predictions to obtain an estimator of the parameter of interest with asymptotic variance no greater than that which would be obtained using only the labeled observations. While existing PPI proposals consider estimators arising from M-estimation, in this paper we generalize PPI to any regular asymptotically linear estimator. Furthermore, by situating PPI within the context of an existing rich literature on missing data and semi-parametric efficiency theory, we show that while PPI does not achieve the semi-parametric efficiency lower bound outside of very restrictive and unrealistic scenarios, it can be viewed as a computationally-simple alternative to proposals in that literature. We exploit connections to that literature to propose modified PPI estimators that can handle three distinct forms of covariate distribution shift. Finally, we illustrate these developments by constructing PPI estimators of true positive rate, false positive rate, and area under the curve via numerical studies.