Automatic Doubly Robust Forests
自动双重稳健随机森林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：摘要明确以异质性处理效应估计作为算法模拟应用，并研究去偏与有效区间，因此最直接归入因果推断。
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…
自动双重稳健随机森林
- 研究问题
- 在存在高维干扰函数时，如何自动构造条件矩泛函的去偏估计，并以随机森林实现多查询点的非参数估计与推断？
- 方法与思路
- 作者将基于 Riesz 表示元的自动去偏框架扩展到条件目标，构造 DRRF 算法，无需预先给出去偏项的具体形式。
- 材料陈述的贡献
- 摘要称，估计量在所述一般条件下具有一致性和渐近正态性，异质性处理效应模拟展示了相对基准方法的性能优势。
- 阅读关注点
- 应核对条件 Riesz 表示元的估计、森林与干扰函数所需条件，以及置信区间构造、比较基准和多点预测的计算成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列一般条件和模拟数值，性能优势不能外推到所有任务。
原文摘要
This paper proposes the automatic Doubly Robust Random Forest (DRRF) algorithm for estimating the conditional expectation of a moment functional in the presence of high-dimensional nuisance functions. DRRF extends the automatic debiasing framework based on the Riesz representer to the conditional setting and enables nonparametric, forest-based estimation (Athey et al., 2019; Oprescu et al., 2019). In contrast to existing methods, DRRF does not require prior knowledge of the form of the debiasing term or impose restrictive parametric or semi-parametric assumptions on the target quantity. Additionally, it is computationally efficient in making predictions at multiple query points. We establish consistency and asymptotic normality results for the DRRF estimator under general assumptions, allowing for the construction of valid confidence intervals. Through extensive simulations in heterogeneous treatment effect (HTE) estimation, we demonstrate the superior performance of DRRF over benchmark approaches in terms of estimation accuracy, robustness, and computational efficiency.