Theoretical limits of microclustering for record linkage
记录链接中微聚类的理论极限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：摘要涉及记录链接与微聚类的通用统计理论，未明确研究所列因果、面板、网络或金融计量问题。
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
记录链接中微聚类的理论极限
- 研究问题
- 缺少唯一标识符的大型数据库中，当实体众多而每个实体的记录很少时，准确识别同一实体的记录存在什么理论限制？
- 方法与思路
- 作者从微聚类角度分析记录链接的理论难度，并通过模拟比较细粒度实体识别与总体规模估计等较粗推断的表现。
- 材料陈述的贡献
- 摘要称即使在理想化情形下，准确实体识别也可能难以实现；模拟提示，识别不准确时总体规模估计有时仍可准确。
- 阅读关注点
- 应核对理论困难采用的模型、准确性定义、实体数与记录数的关系，以及粗粒度推断表现良好的具体模拟条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出不可能性界限，不能将结论泛化至所有链接任务。
原文摘要
There has been substantial recent interest in record linkage, where one attempts to group the records pertaining to the same entities from one or more large databases that lack unique identifiers. This can be viewed as a type of microclustering, with few observations per cluster and a very large number of clusters. We show that the problem is fundamentally hard from a theoretical perspective and, even in idealized cases, accurate entity resolution is effectively impossible unless the number of entities is small relative to the number of records and/or the separation between records from different entities is extremely large. These results suggest conservatism in interpretation of the results of record linkage, support collection of additional data to more accurately disambiguate the entities, and motivate a focus on coarser inference. For example, results from a simulation study suggest that sometimes one may obtain accurate results for population size estimation even when fine-scale entity resolution is inaccurate.