Двойное машинное обучение

Двойное/сглаженное машинное обучение (DML), представленное Черножуковым и др. (2018), представляет собой полупараметрическую основу для оценки причинно-следственных или структурных параметров при наличии высокоразмерных контролей. Оно использует гибкие методы машинного обучения для моделирования второстепенных функций — условных математических ожиданий исхода и воздействия, обусловленных ковариатами, — а затем конструирует сглаженный оценщик целевого параметра, который достигает согласованности порядка √n и допустимого вывода, несмотря на смещение регуляризации, присущее высокоразмерным настройкам.