Spectral Representation Learning for Conditional Moment Models
条件矩模型的谱表示学习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：摘要明确将方法用于近端因果推断任务，因此归入因果推断；条件矩理论本身未限定其他细分领域。
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…
条件矩模型的谱表示学习
- 研究问题
- 在非参数条件矩模型中，如何从数据学习具有受控不适定程度的表示，减少使用灵活模型时对难以验证的预设空间条件的依赖？
- 方法与思路
- 作者近似条件期望算子谱分解所定义的线性表示，将其用于核化估计，研究表示的可估计性，并建立所得估计量的 L2 一致性。
- 材料陈述的贡献
- 摘要称，所提程序可自动学习不适定程度受控的表示，并在高维半合成近端因果推断任务中展示有潜力的表现。
- 阅读关注点
- 应核对谱表示的可识别性、受控不适定程度的具体指标、表示估计误差的传递，以及一致性与极小极大最优性各自的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未列出一致性条件，所提表示在某些情形有利于最优估计不等于新方法普遍最优。
原文摘要
Many problems in causal inference and economics can be formulated in the framework of conditional moment models, which characterize the target function through a collection of conditional moment restrictions. For nonparametric conditional moment models, efficient estimation often relies on preimposed conditions on various measures of ill-posedness of the hypothesis space, which are hard to validate when flexible models are used. In this work, we address this issue by proposing a procedure that automatically learns representations with controlled measures of ill-posedness. Our method approximates a linear representation defined by the spectral decomposition of a conditional expectation operator, which can be used for kernelized estimators and is known to facilitate minimax optimal estimation in certain settings. We show this representation can be efficiently estimated from data, and establish L2 consistency for the resulting estimator. We evaluate the proposed method on proximal causal inference tasks, exhibiting promising performance on high-dimensional, semi-synthetic data.