High-dimensional semi-supervised learning: in search of optimal inference of the mean
高维半监督学习：寻求均值的最优推断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。
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：摘要明确将半监督均值推断方法应用于异质性处理效应估计，因此因果推断是所给细分中最直接的应用方向。
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…
关注这篇论文的作者
高维半监督学习：寻求均值的最优推断
- 研究问题
- 当缺失结果变量的样本远多于有标签样本时，额外协变量信息能在多大程度上帮助均值估计，尤其能否降低结果预测的速率要求？
- 方法与思路
- 作者提出分折交叉拟合的双重稳健估计量，讨论线性与非线性结果模型，在高维、非参数和半参数环境中研究均值推断。
- 材料陈述的贡献
- 摘要称，即使结果预测仅具一致性且慢于根号样本量速率，均值仍可实现根号样本量推断，并将方法用于异质性处理效应估计。
- 阅读关注点
- 应核对两类样本的生成和缺失机制、双重稳健所对应的模型，以及交叉拟合、样本比例和处理效应应用所需的识别条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认缺失机制、样本比例和完整速率条件，也不能据此断言异质性处理效应已被识别。
原文摘要
Summary A fundamental challenge in semi-supervised learning lies in the observed data’s disproportional size when compared with the size of the data collected with missing outcomes. An implicit understanding is that the dataset with missing outcomes, being significantly larger, ought to improve estimation and inference. However, it is unclear to what extent this is correct. We illustrate one clear benefit: root-$n$ inference of the outcome’s mean is possible while only requiring a consistent estimation of the outcome, possibly at a rate slower than root $n$. This is achieved by a novel $k$-fold, cross-fitted, double robust estimator. We discuss both linear and nonlinear outcomes. Such an estimator is particularly suited for models that naturally do not admit root-$n$ consistency, such as high-dimensional, nonparametric or semiparametric models. We apply our methods to estimating heterogeneous treatment effects.