Ridge Boosting is Both Robust and Efficient
岭提升兼具稳健性与有效性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：摘要聚焦统计与机器学习估计量的效率与分布稳健性理论，未涉及所给因果推断、面板、时间序列、金融等具体领域细分，故不选择。
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…
岭提升兼具稳健性与有效性
- 研究问题
- 摘要称，统计与机器学习估计量通常需在效率（固定目标下方差低）与分布稳健性（如多准确性，即在多种可能目标上偏差低）之间权衡；本文研究能否用单一估计量同时实现二者。
- 方法与思路
- 作者提出岭提升：从任意初始预测器出发，用（核）岭回归做一次提升步骤；理论上考察目标分布偏移位于 RKHS 单位球内时该估计量的偏差与方差表现，并用模拟和退休收入年龄剖面应用进行评估。
- 材料陈述的贡献
- 摘要称岭提升可同时实现效率与分布稳健性：对位于 RKHS 单位球内的目标分布偏移保持低偏差，且对每个目标的方差达到半参数效率界；由此可用源分布数据训练单一模型，同时为多个目标估计量给出稳健且有效的估计，无需为每个目标分别拟合半参数有效估计量。
- 阅读关注点
- 应核对：RKHS 单位球内分布偏移的具体定义与识别假设；方差达到半参数效率界所需的正则化与核条件；一次提升步骤的充分性条件；模拟设计与退休收入应用的数据来源、目标估计量及与分别拟合方法的比较细节。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明正确性、有限样本表现与实证结论的稳健性；摘要未说明核选择、调参方式与效率界的精确形式。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Estimators in statistics and machine learning must typically trade off between efficiency, having low variance for a fixed target, and distributional robustness, such as multiaccuracy, or having low bias over a range of possible targets. In this paper, we consider a simple estimator, ridge boosting: starting with any initial predictor, perform a single boosting step with (kernel) ridge regression. Surprisingly, we show that ridge boosting simultaneously achieves both efficiency and distributional robustness: for target distribution shifts that lie within an RKHS unit ball, this estimator maintains low bias across all such shifts and has variance at the semiparametric efficiency bound for each target. In addition to bridging otherwise distinct research areas, this result has immediate practical value. Since ridge boosting uses only data from the source distribution, researchers can train a single model to obtain both robust and efficient estimates for multiple target estimands at the same time, eliminating the need to fit separate semiparametric efficient estimators for each target. We assess this approach through simulations and an application estimating the age profile of retirement income.