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

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 →

• Balakrishnan
• Double Machine Learning
• Gaussian sequence model
• Hoifa Nara
• Liu
• Structure-agnostic models
• U-statistic

• 论文
• 其他

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