Automatic Debiased Machine Learning for Smooth Functionals of Nonparametric M-Estimands
非参数 M 估计目标光滑泛函的自动去偏机器学习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：摘要提出通用 M 估计泛函推断框架，因果、分位数和生存函数作为例子，不足以确定专门的细分方向。
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…
非参数 M 估计目标光滑泛函的自动去偏机器学习
- 研究问题
- 对于无限维总体风险最小化目标的光滑泛函，如何自动构造有效去偏估计，减少逐个手工推导影响函数的工作？
- 方法与思路
- 作者利用损失的梯度、Hessian 与目标泛函的线性近似，分别估计 M 目标和 Riesz 表示元，再构造多种去偏估计器。
- 材料陈述的贡献
- 摘要称刻画有效影响函数并构造有效估计；二次风险下线性泛函具有双重稳健性，轻微模型误设仅引起二阶偏差。
- 阅读关注点
- 应核对光滑性与风险曲率条件、Riesz 表示元的估计要求，以及双重稳健和二阶误设偏差分别覆盖哪些目标与损失。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验；摘要未列完整条件，双重稳健不能直接推广到任意损失或泛函。
原文摘要
We develop a unified framework for automatic debiased machine learning (autoDML) for inference on a broad class of statistical parameters. The framework applies to any smooth functional of a nonparametric M-estimand, defined as the minimizer of a population risk over an infinite-dimensional linear space. Examples include counterfactual regression, quantile, and survival functions, as well as conditional average treatment effects. Rather than requiring manual derivation of influence functions, our approach automates the construction of debiased estimators using three ingredients: the gradient and Hessian of the loss function and a linear approximation of the target functional. Estimation reduces to solving two risk minimization problems, one for the M-estimand and one for a Riesz representer. The framework accommodates Neyman-orthogonal loss functions that depend on nuisance parameters and extends to vector-valued M-estimands through joint risk minimization. We characterize the efficient influence function and construct efficient autoDML estimators via one-step correction, targeted minimum loss estimation, and sieve-based plug-in methods. Under quadratic risk, these estimators satisfy double robustness for linear functionals. We further show that they are robust to mild misspecification of the M-estimand model, incurring only second-order bias. We illustrate the method by estimating long-term survival probabilities under a semiparametric two-parameter beta-geometric failure model.