PulseAugur
中
实时 04:35:54
English(EN) Cross-Fitting-Free Debiased Machine Learning with Multiway Dependence

无交叉拟合的去偏机器学习新统计理论

作者 PulseAugur 编辑部 · [1 个来源] ·

本文为广义矩方法（GMM）模型中的去偏机器学习（DML）估计量引入了一种新的统计理论。所提出的方法允许多路聚类依赖，而无需交叉拟合，后者可能效率低下且计算量大。作者证明，通过结合 Neyman-正交矩条件和经验过程方法，可以在多路聚类依赖下实现有效的推断，从而实现渐近线性和正态性。一项关键的技术贡献是开发了关于可分离交换数组之和函数的新颖最大不等式。 AI

排序理由 学术论文发表在arXiv上，详细介绍了机器学习估计量的新统计理论。[lever_c_demoted from research: ic=1 ai=0.4]

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 →

无交叉拟合的去偏机器学习新统计理论

本文如何被排名

Signal score
1 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
学术论文发表在arXiv上，详细介绍了机器学习估计量的新统计理论。[lever_c_demoted from research: ic=1 ai=0.4]
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
Standard
On-topic for AI-industry coverage; kept in the public index.
Story freshness
1 days old
Coverage has settled into its steady-state source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Kaicheng Chen, Harold D. Chiang ·

    多路依赖的无交叉拟合去偏机器学习

    arXiv:2602.11333v3 Announce Type: replace-cross Abstract: This paper develops an asymptotic theory for two-step debiased machine learning (DML) estimators in generalised method of moments (GMM) models with general multiway clustered dependence, without relying on cross-fitting. W…

相关话题