Surrogate-Powered Inference: Regularization and Adaptivity
替代标签驱动推断：正则化与自适应性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：摘要聚焦替代标签下的统计推断、正则化与自适应标注设计，未明确涉及因果识别、面板、离散选择、时间序列或金融等具体领域细分，故不选择。
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…
替代标签驱动推断：正则化与自适应性
- 研究问题
- 在高质量标注数据受验证成本限制时，如何利用大量低成本替代标签进行可靠的统计推断，并控制替代标签噪声带来的偏差。
- 方法与思路
- 作者提出替代标签驱动推断（SPI）工具箱，包含三个递进版本：Base-SPI 通过增广整合验证标签与替代标签以提升估计效率；SPI+ 引入正则化回归以安全处理多个替代标签、防止误差累积；SPI++ 采用自适应多波标注程序，在有限验证预算下优先标注信息量大的个体。
- 材料陈述的贡献
- 摘要称 SPI 相较传统方法能显著降低估计误差、提高风险因素识别的检验功效，并有助于提升可重复性；作者还给出理论保证与大量模拟研究以说明方法性质。
- 阅读关注点
- 应核对三个版本各自的理论保证形式与所需识别假设、正则化如何选择与调参、多波标注的优先级规则与预算约束设定，以及模拟与实证中误差和功效比较的具体基准与数据来源。
- 阅读边界
- 仅凭摘要无法判断理论结果的具体条件、估计量性质、模拟设计与数值表现，也无法确认与既有方法的实际优劣；摘要未说明真实数据应用与实现细节。
原文摘要
High-quality labeled data are essential for reliable statistical inference, but are often limited by validation costs. While surrogate labels provide cost-effective alternatives, their noise can introduce non-negligible bias. To address this challenge, we propose the surrogate-powered inference (SPI) toolbox, a unified framework that leverages both the validity of high-quality labels and the abundance of surrogates to enable reliable statistical inference. SPI comprises three progressively enhanced versions. Base-SPI integrates validated labels and surrogates through augmentation to improve estimation efficiency. SPI+ incorporates regularized regression to safely handle multiple surrogates, preventing performance degradation due to error accumulation. SPI++ further optimizes efficiency under limited validation budgets through an adaptive, multiwave labeling procedure that prioritizes informative subjects for labeling. Compared to traditional methods, SPI substantially reduces the estimation error and increases the power in risk factor identification. These results demonstrate the value of SPI in improving the reproducibility. Theoretical guarantees and extensive simulation studies further illustrate the properties of our approach.