Adversarial Estimation of Binary Configuration Probabilities under Sparse Dependence
稀疏依赖下二元配置概率的对抗估计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：摘要直接讨论商品组合选择概率，并将估计方法应用于多重二元处理的因果推断。
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…
稀疏依赖下二元配置概率的对抗估计
- 研究问题
- 商品数量较多时，如何利用二元组成变量之间的独立性结构估计商品组合概率，并改善多重二元处理的因果分析？
- 方法与思路
- 作者利用 Bahadur 表示将独立性结构联系到广义相关系数的稀疏性，提出同时处理边际概率参数的正则化对抗估计。
- 材料陈述的贡献
- 摘要称估计量在标准正则条件下达到最优速率，可扩展至含协变量情形，并在多重二元处理应用中改善有限样本表现。
- 阅读关注点
- 应核对稀疏结构与独立性的对应关系、最优速率的条件、对抗优化的计算要求，以及多处理因果应用的识别基础。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列明正则条件、因果识别假设或改进幅度，不能确认普遍优势。 复核沿用经核验的旧摘要解读，未重新调用模型或阅读新版全文。
原文摘要
We consider the problem of estimating binary configuration probabilities, which is common in operations management applications, including product bundling, advertising, etc. Existing approaches typically model each assortment as a category and apply multinomial models to estimate the choice probabilities; while computationally convenient, these methods do not exploit independence structures in the joint distribution and may therefore be statistically inefficient when the total number of items is large. Using the representation from Bahadur (1959), we relate the sparsity of the generalized correlation coefficients to the independence structure of the binary components. We formulate the problem as estimating a high-dimensional vector of generalized correlation coefficients, together with low or moderate-dimensional nuisance parameters corresponding to the marginal probabilities. We develop a regularized adversarial estimator that attains the optimal rate under standard regularity conditions while remaining computationally feasible. The framework naturally extends to settings with covariates. We apply the proposed estimators to causal inference with multiple binary treatments and show substantial finite-sample improvements over non-adaptive methods. Numerical studies corroborate the theoretical results.