Debiased Machine Learning for Estimating the Causal Effect of Urban Traffic on Pedestrian Crossing Behavior
PulseAugur coverage of Debiased Machine Learning for Estimating the Causal Effect of Urban Traffic on Pedestrian Crossing Behavior — every cluster mentioning Debiased Machine Learning for Estimating the Causal Effect of Urban Traffic on Pedestrian Crossing Behavior across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架通过正交化估计器增强 LLM 激活引导
研究人员推出了一种新颖的框架——Neyman Orthogonal Activation Steering (NOAS)，用于操纵大型语言模型 (LLM) 的激活。该方法将目标估计量与估计器解耦，从而实现更灵活的建模，包括对数概率等连续结果。NOAS 通过将现有方法构建为结果回归平均梯度的即插即用估计器来扩展现有方法，并引入了基于 Stein 分数的互补估计器。由此产生的正交化估计器具有双重稳健性，并在基准数据集上进行了演示。
-
新的校准DML方法增强了处理效应的统计推断
研究人员开发了一种名为校准去偏机器学习（DML）的新方法，以提高双重稳健估计量的准确性。这些估计量通常用于分析处理效应和回归函数。新技术解决了不匹配问题，即一致性只需要一个干扰函数准确，而渐近正态性则需要两个快速收敛的函数。通过结合等渗回归进行校准，该方法即使一个干扰估计量收敛缓慢或不一致，只要满足部分正交条件，也能确保渐近正态性。该方法还包括一个用于置信区间的引导辅助方法，并在基准数据集上显示出偏倚减少和覆盖率提高。
-
推出新的去偏机器学习框架
开发了一个新的去偏机器学习（DML）框架，专注于在高维设置中识别和估计参数。该研究确立了识别 Riesz 表示元（DML 的关键组成部分）的条件，并提出了一种适用于包括深度神经网络在内的各种机器学习架构的通用估计程序。该方法旨在通过对干扰参数纳入形状约束来提高估计精度。