统计学 > 机器学习
[提交于 2022年4月30日
(此版本)
, 最新版本 2022年6月20日 (v2)
]
标题: 正交统计学习与自协调损失
标题: Orthogonal Statistical Learning with Self-Concordant Loss
摘要: 正交统计学习和双重机器学习在存在干扰成分的情况下,已成为两阶段统计预测的通用框架。 我们建立了满足自协调性质的损失函数的正交统计学习方法的额外风险的非渐近界。 我们的界在维度因子上优于现有界,同时消除了强凸性的假设。 我们通过多个处理效应估计和广义部分线性建模的例子来说明这些结果。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.