Adversarial Estimation of Riesz Representers
Riesz 表示元的对抗式估计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：摘要明确以因果参数、目标化和去偏机器学习及异质性效应应用为研究背景。
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…
Riesz 表示元的对抗式估计
- 研究问题
- 如何在一般函数空间中估计因果参数所需的 Riesz 表示元，并为允许模型误设的去偏推断提供误差控制？
- 方法与思路
- 作者提出对抗式估计框架，用临界半径刻画非渐近均方误差，再讨论神经网络、随机森林及核空间和不同样本使用方案。
- 材料陈述的贡献
- 摘要称给出支持样本分割推断的误差保证，并在稳定性或复杂度条件下支持不分割推断，展示非线性模拟和配套拨款应用。
- 阅读关注点
- 应核对对抗目标、临界半径的定义、误设容许范围，以及不进行样本分割时所需的稳定性或复杂度条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未展开各学习器的具体速率条件，模拟覆盖率表现也不能普遍外推。
原文摘要
Many causal parameters are linear functionals of an underlying regression. The Riesz representer is a key component in the asymptotic variance of a semiparametrically estimated linear functional. We propose an adversarial framework to estimate the Riesz representer using general function spaces. We prove a nonasymptotic mean square rate in terms of an abstract quantity called the critical radius, then specialize it for neural networks, random forests, and reproducing kernel Hilbert spaces as leading cases. Our estimators are highly compatible with targeted and debiased machine learning with sample splitting; our guarantees directly verify general conditions for inference that allow mis-specification. We also use our guarantees to prove inference without sample splitting, based on stability or complexity. Our estimators achieve nominal coverage in highly nonlinear simulations where some previous methods break down. They shed new light on the heterogeneous effects of matching grants.