Debiased Machine Learning without Sample-Splitting for Stable Estimators
稳定估计器下无需样本分割的去偏机器学习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：摘要将研究问题明确置于因果参数的矩估计与辅助函数学习框架，核心是因果推断中的去偏估计和样本使用条件。
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…
稳定估计器下无需样本分割的去偏机器学习
- 研究问题
- 在以机器学习估计辅助函数的因果参数推断中，什么稳定性条件能允许重复使用样本，同时保持目标参数的渐近性质？
- 方法与思路
- 作者在广义矩估计框架中引入留一稳定性条件，以替代样本分割或交叉拟合，并考察无放回子抽样构造的装袋估计器。
- 材料陈述的贡献
- 摘要称，满足所提稳定性条件时无需样本分割即可维持根号样本量一致性和渐近正态性，并给出满足条件的集成方法示例。
- 阅读关注点
- 应核对稳定性的数学定义及速率、辅助估计误差要求、矩条件，以及装袋方法的子样本规模限制和推断方差的估计方式。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明具体稳定性阈值，不能推广为任意机器学习均可免分割。
原文摘要
Estimation and inference on causal parameters is typically reduced to a generalized method of moments problem, which involves auxiliary functions that correspond to solutions to a regression or classification problem. Recent line of work on debiased machine learning shows how one can use generic machine learning estimators for these auxiliary problems, while maintaining asymptotic normality and root-$n$ consistency of the target parameter of interest, while only requiring mean-squared-error guarantees from the auxiliary estimation algorithms. The literature typically requires that these auxiliary problems are fitted on a separate sample or in a cross-fitting manner. We show that when these auxiliary estimation algorithms satisfy natural leave-one-out stability properties, then sample splitting is not required. This allows for sample re-use, which can be beneficial in moderately sized sample regimes. For instance, we show that the stability properties that we propose are satisfied for ensemble bagged estimators, built via sub-sampling without replacement, a popular technique in machine learning practice.