English(EN) On the Asymptotic Inadmissibility of Double Machine Learning Estimators Under Structure-Agnostic Models

新论文质疑结构不可知模型下双重机器学习估计器的容许性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-21 08:35

一篇新发表在arXiv上的论文引入了结构不可知（SA）模型的概念，该模型旨在解决数据生成定律中缺乏关于结构性假设的先验知识的问题。虽然先前的工作表明，在这些SA模型下，双重机器学习（DML）估计器对于某些泛函是minimax的，但本文证明了这些DML估计器对于其中两个泛函是渐近不可容许的。作者提出了替代的二阶估计器，特别是经验高阶影响函数（HOIF）估计器，它们在SA模型下渐近优于DML估计器。 AI

影响这项研究可能在结构性假设未知的机器学习应用中带来更稳健、更高效的统计估计器。

排序理由这是一篇发表在arXiv上的研究论文，详细介绍了统计机器学习的理论发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇发表在arXiv上的研究论文，详细介绍了统计机器学习的理论发现。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 109 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · James M Robins · 2026-06-21 08:35

关于结构无关模型下双重机器学习估计量的渐近不可容性

Structure-agnostic (SA) models introduced by Balakrishnan et al. (2026) aim to reflect the general lack of knowledge of structural assumptions on data-generating laws such as smoothness or sparsity in practice. Roughly speaking, SA models restrict the observed-data generating law…

本文如何被排名

报道来源 [1]

关于结构无关模型下双重机器学习估计量的渐近不可容性

相关实体

相关话题