자동 디버깅 머신러닝을 통한 비모수 M추정량 함수형 추정

초록

본 논문은 무한 차원 선형 공간에서 정의되는 비모수 M‑추정량의 부드러운 함수형에 대해 자동으로 디버깅된 추정량(autoDML)을 구축하는 통합 프레임워크를 제시한다. 손실 함수의 gradient와 Hessian, 그리고 목표 함수형의 선형 근사만으로 두 개의 위험 최소화 문제(하나의 M‑추정량, 하나의 Riesz 대표자)를 풀어 효율적인 영향함수를 얻고, 일단계 보정, TMLE, 그리고 sieve 기반 플러그인 방법을 통해 √n‑일관성과 asymptotic normality를 달성한다. 또한, 이 방법은 Neyman‑orthogonal 손실, 다변량 M‑추정량, 그리고 경미한 모델 오차에 대해 이중 강건성을 제공한다.

상세 분석

본 연구는 기존 자동 디버깅 머신러닝(autoDML)이 회귀 함수형에만 국한되었던 한계를 넘어, 일반적인 비모수 M‑추정량을 대상으로 하는 광범위한 함수형에 적용 가능한 이론적 토대를 마련한다. 핵심 아이디어는 M‑추정량 θ₀가 인구 위험 L₀(θ,η)의 최소점이라는 점에서 출발한다. 손실 ℓ_η(z,θ)는 θ에 대해 두 번, η에 대해 한 번 Fréchet 미분 가능하도록 가정하고, 특히 η에 대한 Neyman‑orthogonal 조건 ∂_η∂_θL₀(θ₀,η₀)=0을 만족한다. 이때 θ̂는 경험적 위험 최소화로 얻고, ψ(θ)=E