Nearest-Neighbour Matching on Unbounded Supports and Covariate Shift Transfer
无界支撑上的最近邻匹配与协变量漂移迁移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：摘要明确将最近邻匹配理论用于平均处理效应估计，并讨论处理分配概率条件的放宽，直接支持因果推断分类。
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
无界支撑上的最近邻匹配与协变量漂移迁移
- 研究问题
- 当来源与目标分布不同、协变量支撑无界且部分标签缺失时，最近邻匹配何时仍能达到通常的收敛速度？
- 方法与思路
- 作者以来源和目标分布间的可迁移性条件替代紧支撑及密度下界要求，研究流形支撑与不同尾部，并用于处理效应估计。
- 材料陈述的贡献
- 摘要称，新条件允许目标分布尾部更重，并说明良好收敛速度需要控制可迁移性；处理效应应用可放宽倾向概率统一界限。
- 阅读关注点
- 应核对可迁移性度量、尾部及函数正则条件、收敛率与维度的关系，以及放宽倾向概率界限后保留哪些重叠要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出具体条件和速度，放宽概率界限不能据此理解为允许任意无重叠。
原文摘要
Expectations of multivariate functions with missing labels occur in various fields such as transfer learning and average treatment effects. Although non-parametric estimators based on nearest-neighbour matching are frequently used in this context, the existing literature assumes that the covariates live in some well-shaped compact subset of $\R^d$, with densities that are bounded away from zero. In this paper, we show that the usual rates of convergence can be achieved with minimal assumptions on the covariate supports. These assumptions are replaced with conditions on the source and target distributions, among which a measure of the tranferability between the two probability measures. We show that these conditions are general, can be applied to distributions supported on manifolds, and allow the target distribution to have a heavier tail than the source distribution. We also show that this control of the transferability is needed for any estimator to achieve good rates of convergence. Finally, applying our results to the estimation of treatment effects, we could relax the assumption that the assignment probabilities had to be bounded away from zero and one.