Automatic debiasing of neural networks via moment-constrained learning
通过矩约束学习实现神经网络自动去偏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：摘要明确将自动去偏用于因果目标和平均处理效应估计，支持因果推断分类，神经网络仅是所用学习器。
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…
关注这篇论文的作者
通过矩约束学习实现神经网络自动去偏
- 研究问题
- 对结果回归线性泛函的均值进行估计时，如何更稳健地学习 Riesz 表示元，减少插件偏差及优化超参数敏感性？
- 方法与思路
- 作者提出矩约束学习，约束预测矩以直接学习 Riesz 表示元，并以神经网络实现，在半合成数据中评估处理与导数效应。
- 材料陈述的贡献
- 摘要称该方法缓解既有自动去偏方法的一些不足，提高表示元估计对优化超参数的稳健性，数值实验表现优于所用基准。
- 阅读关注点
- 应核对矩约束的构造、表示元学习误差如何影响最终推断，以及极端权重、优化可行性和基准调参的处理方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明完整理论及实验数值，半合成结果不能保证真实数据中的优势。
原文摘要
Causal and nonparametric estimands in economics and biostatistics can often be viewed as the mean of a linear functional applied to an unknown outcome regression function. Naively learning the regression function and taking a sample mean of the target functional results in biased estimators, and a rich debiasing literature has developed where one additionally learns the so-called Riesz representer (RR) of the target estimand (targeted learning, double ML, automatic debiasing etc.). Learning the RR via its derived functional form can be challenging, e.g. due to extreme inverse probability weights or the need to learn conditional density functions. Such challenges have motivated recent advances in automatic debiasing (AD), where the RR is learned directly via minimization of a bespoke loss. We propose moment-constrained learning as a new RR learning approach that addresses some shortcomings in AD, constraining the predicted moments and improving the robustness of RR estimates to optimization hyperparamters. Though our approach is not tied to a particular class of learner, we illustrate it using neural networks, and evaluate on the problems of average treatment/derivative effect estimation using semi-synthetic data. Our numerical experiments show improved performance versus state of the art benchmarks.