De-Biased Machine Learning of Global and Local Parameters Using Regularized Riesz Representers
利用正则化 Riesz 表示元对全局与局部参数进行去偏机器学习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：摘要明确将平均处理效应、政策效应及其条件化版本列为推断对象。
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…
利用正则化 Riesz 表示元对全局与局部参数进行去偏机器学习
- 研究问题
- 对条件期望函数的正则与非正则线性泛函，如何构造适应性推断，并在回归或泛函表示元的一方近似稠密时保持有效性？
- 方法与思路
- 作者以 ℓ₁ 正则化估计相关对象，将 Riesz 表示元作为额外干扰参数纳入 Neyman 正交方程，降低对干扰参数扰动的敏感性。
- 材料陈述的贡献
- 摘要称，方法具有弱双重稀疏稳健性；非渐近结果进一步支持大类模型上的渐近一致有效性，并形成全局与局部参数的诚实置信带。
- 阅读关注点
- 应核对线性泛函与表示元的定义、局部目标的正则化处理，以及双重稀疏条件、模型类范围和置信带的覆盖结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明稀疏程度、局部化参数和学习误差要求，双重稀疏稳健性也有条件限制。
原文摘要
We provide adaptive inference methods, based on $\ell_1$ regularization, for regular (semi-parametric) and non-regular (nonparametric) linear functionals of the conditional expectation function. Examples of regular functionals include average treatment effects, policy effects, and derivatives. Examples of non-regular functionals include average treatment effects, policy effects, and derivatives conditional on a covariate subvector fixed at a point. We construct a Neyman orthogonal equation for the target parameter that is approximately invariant to small perturbations of the nuisance parameters. To achieve this property, we include the Riesz representer for the functional as an additional nuisance parameter. Our analysis yields weak ``double sparsity robustness'': either the approximation to the regression or the approximation to the representer can be ``completely dense'' as long as the other is sufficiently ``sparse''. Our main results are non-asymptotic and imply asymptotic uniform validity over large classes of models, translating into honest confidence bands for both global and local parameters.