Uniform-Design Subsampling for Compute-Budgeted Double Machine Learning
计算预算约束下双重机器学习的均匀设计子抽样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：摘要明确围绕处理组与对照组的双重机器学习和重复因果学习设计子样本，因此最直接对应因果推断方向。
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
计算预算约束下双重机器学习的均匀设计子抽样
- 研究问题
- 在计算预算只允许使用小规模工作样本时，如何改善双重机器学习的协变量覆盖和处理组构成，同时维持有效推断？
- 方法与思路
- 作者将共同低差异骨架经经验边际分位数映射为锚点，再为每个锚点分别匹配处理组和对照组观测，组内不重复抽取。
- 材料陈述的贡献
- 摘要称建立有限样本积分与平衡界、选样目标分解及选择感知中心极限定理，并在明确条件下证明残差方差估计有效。
- 阅读关注点
- 应核对选样目标与原总体目标的差异、匹配规则，以及加权校准、方差稳定和目标迁移条件如何支持最终推断。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核验；摘要未给出条件的具体形式和模拟数值，弱重叠下的适用边界仍需核对。
原文摘要
Double machine learning (DML) combines orthogonal scores with flexible nuisance estimation, but repeated cross-fitting and repeated analysis can make full-data workflows expensive. When a fixed computational budget requires a working sample of size $r\ll n$, simple random subsampling may cover the covariate space poorly and produce unstable treated--control composition. We propose Uniform Design Double Machine Learning (UD-DML), which maps a common low-discrepancy skeleton through empirical marginal quantiles and matches each anchor to one treated and one control observation, without replacement within each treatment arm. We establish finite-sample integration and balance bounds, an exact selected-target decomposition, and a selection-aware leading-score central limit theorem on the root-$r$ scale. Under explicit moment, weighted-calibration, variance-stabilisation, and target-transport conditions, a residual-based variance estimator consistently studentises the original UD-DML estimator. Full-scale simulations show that the common-skeleton construction provides its clearest improvements over uniform subsampling under non-uniform covariate geometry and limited treated--control overlap, while maintaining empirical coverage near the nominal level. These results provide a principled working-sample design for repeated causal learning under an explicit computational budget.