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。
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：摘要核心是通用机器学习泛函推断，处理效应仅为示例，不足以限定具体领域。
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…
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
- 如何为机器学习估计的全局或局部标量泛函建立可解释的去偏推断条件，并用有限样本论证连接学习误差与统计推断？
- 方法与思路
- 作者以偏差校正与样本分割为基础，在若干条件下建立非渐近定理，分析一致性、高斯近似、半参数效率及不同泛函的收敛速度。
- 材料陈述的贡献
- 摘要称，全局泛函具有根号样本量收敛率，局部泛函速度有所下降；所得条件还能揭示病态逆问题中的一般双重稳健性质。
- 阅读关注点
- 应核对定理覆盖的泛函类型、学习误差条件与有限样本界，并区分全局和局部目标的归一化方式及效率结论适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出具体条件与误差界，不能理解为任意学习算法均自动获得有效推断。
原文摘要
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 desire the confidence interval for a treatment effect estimated with a neural network. We provide a nonasymptotic 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.