Jul, 2021

基于高效影响函数的统计学习揭秘

PDF
TL;DR本文介绍了如何利用 efficient influence function 来构建基于统计 / 机器学习的 estimators，并讨论了这些 estimators 表现良好的前提条件。
data-adaptive methodstargeted learningefficient influence functionstatistical/machine learningestimators
发现论文，激发创造
  • 无限维模型中的计算效率估计

    该论文提出了一种数值方法来近似有效影响函数， 并以两个例子的背景说明了该方法。

    Aug, 2016

  • 半参数估计量的影响函数

    本文研究非参数化的初步步骤对于许多有用参数的影响以及如何利用影响函数分析局部政策、构建机器学习估计器、进行效率比较和制定渐近正态的基本规则。研究发现影响函数是一个门托导数，我们给出了满足外生或内生正交条件的初步步骤的影响函数。最后，这项研究应用在汽油需求的分析中，结果表明平均相当变动量的估计值对内生性不敏感。

    Aug, 2015

  • 影像化沟通和直觉教学：影响函数

    通过与梯度、线性逼近和牛顿 - 拉弗森方法的连接，提供影响函数估计器何时如何优于标准 “插入式” 估计器的具体、视觉化示例。

    Oct, 2018

  • 使用蒙特卡洛高效影响函数进行自动高效估计

    该研究论文介绍了一种名为 Monte Carlo Efficient Influence Functions (MC-EIF) 的全自动技术，用于估计高维模型和数据集中的低维统计量，证明了其一致性，并且使用 MC-EIF 的估计器实现了最优的 N 的平方根收敛速率，通过实证研究表明 MC-EIF 与使用解析式影响函数的估计器是等价的，最后通过一个新颖的 MC-EIF 的案例演示了最优的投资组合选择。

    Feb, 2024

  • 通过影响函数理解黑盒预测

    本文提出使用影响函数技术来追踪黑盒模型预测的训练数据，并且证明了即使在非凸和不可导的模型中，影响函数的近似也可以提供有价值的信息。在线性模型和卷积神经网络中，通过使用影响函数，探究了模型行为、调试模型、检测数据集错误以及创建视觉上难以区分的训练集攻击等多个方面得到了实际的解决方案。

    Mar, 2017

  • 非参数式异质性处理效应估计：从理论到学习算法

    本研究论述了一些治疗效果评估的方法，探究了不同的元学习策略并以神经网络为基础，旨在构建更好的条件 / 环境下，使某些学习者的表现优于其他学习者的认识。

    Jan, 2021

  • 深度学习中的影响函数非常脆弱

    本文举行了一项大规模实证研究，详细探究了影响函数在神经网络模型中的成功和失败，在浅层网络中影响估计值相对准确，在深层网络中影响估计值通常是错误的，特定的神经网络结构和数据集，训练时使用重量减退正规化很重要以获得高质量的影响估计。

    Jun, 2020

  • 因果和结构效应的自动去偏机器学习

    本文利用机器学习进行自动去偏差，得出了高维回归的线性和非线性函数。不仅提供去偏差的标准误差，还给出了一系列的结构性和因果效应的估计量。应用于具体数据上得出了对待处理者的平均处理效应，以及 Nielsen 扫描仪数据中有价格和收入相关性的需求弹性。

    Sep, 2018

  • 自适应数据分析中维护统计学有效性

    关于如何在自适应数据分析中保证统计推断的有效性的研究，使用隐私保护技术协调估计值，并在估计指数数量的期望时取得了指数级的改进，适用于多重假设检验和虚假发现率控制。

    Nov, 2014

  • RieszNet 和 ForestRiesz: 使用神经网络和随机森林实现自动去偏置的机器学习

    通过神经网络和随机森林自动学习线性函数的 Riesz 表示，实现自动去偏并提高估计方法的精度，即使是针对高维或非参数回归函数。并且该方法对任意函数都有效，尤其在估计平均治疗效应功能上表现良好。

    Oct, 2021