Debiased Inference for AI-Generated Data without Gold-Standard Labels: Identification via Multiple Imperfect Measurements¶

作者: Naoki Egami, Sooahn Shin
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.18294

一、领域脉络与小综述¶

这个方向是什么¶

本子方向的核心问题是：当研究者使用AI（如大语言模型LLM）生成的变量（如文本情感、主题分类）作为下游统计分析（如回归、均值比较）的关键变量时，如何校正因AI测量误差（非随机、非经典）导致的偏差，从而获得有效的统计推断。当前成熟度：这是一个快速发展的交叉领域，连接了测量误差模型、半参推断和AI应用，但大多数现有方法仍依赖于金标准标签（人工标注），而本文试图在无金标准标签的条件下解决该问题。

发展脉络（history）¶

奠基工作：经典测量误差与非参数潜变量模型。早期工作如Kruskal (1977) 和 Allman, Matias and Rhodes (2009) 建立了通过CP分解（Candecomp/Parafac）识别离散潜变量的理论基础，其核心是条件独立假设：多个不完美测量在给定真实标签下独立。Dawid and Skene (1979) 将该结构应用于众包标注的EM估计。这些工作奠定了“用多个代理变量替代不可观测真实标签”的识别策略，但未涉及下游推断的偏差校正。
主要进展：基于金标准标签的半参校正方法。Robins, Rotnitzky and Zhao (1994) 和 Chernozhukov et al. (2018) 发展了双稳健（doubly robust）和去偏机器学习（DML）框架，为下游推断中的测量误差校正提供了半参工具。Egami et al. (2023) 的DSL和Angelopoulos et al. (2023) 的PPI将这一框架应用于AI生成数据，假设研究者控制金标准标签的抽样设计，从而无需对AI测量误差做任何假设。这些方法有效但依赖金标准标签。
当前frontier：放松金标准标签的假设。近期工作开始探索无金标准标签的路径。Battaglia et al. (2024) 假设测量误差与抽样误差同阶并随样本量衰减。Chen, Rambachan and Tamer (2026) 利用外部校准的得分和事件限制推导部分识别区间，允许代理变量间的任意依赖。本文（Egami & Shin, 2026）则回到非参数潜变量模型传统，通过放宽条件独立假设（允许以观测特征为条件）和引入半参效率理论，在无金标准标签下实现点识别和有效推断。
本文的位置：本文是“无金标准标签”路线上的一个关键进展。它通过将经典CP分解识别与半参去偏估计（特别是Zhou and Tchetgen Tchetgen, 2024; Guo, Shpitser and Ogburn, 2026）结合，首次将多个不完美测量的框架推广到一般下游分析（不仅限于因果效应），并系统处理了条件独立假设的可行性和诊断。

子线索聚类¶

基于金标准标签的校正方法：DSL (Egami et al., 2023)、PPI (Angelopoulos et al., 2023)、MAR-S (Carlson and Dell, 2025) 等。核心：利用已知抽样设计的金标准标签，通过双稳健或控制变量法校正偏差，对AI测量误差无假设。
基于代理变量的识别方法：经典潜变量模型 (Kruskal, 1977; Allman, Matias and Rhodes, 2009)、众包模型 (Dawid and Skene, 1979; Zhang et al., 2016)、张量方法 (Anandkumar et al., 2014)。核心：通过条件独立假设，利用多个代理变量识别潜变量分布，但通常不直接处理下游推断。
因果推断中的代理变量方法：Proximal causal inference (Miao, Geng and Tchetgen Tchetgen, 2018; Zhou and Tchetgen Tchetgen, 2024; Guo, Shpitser and Ogburn, 2026)。核心：利用负对照（negative control）变量处理未观测混杂或潜变量，发展半参效率理论。本文直接借鉴了Zhou and Tchetgen Tchetgen (2024) 和 Guo, Shpitser and Ogburn (2026) 的桥函数（bridge function）构造和Neyman正交性思想。

这个方向在追问的核心问题¶

Q1（识别）：在无金标准标签时，如何从多个不完美测量中识别下游目标参数（如回归系数）？需要什么假设？
Q2（估计与推断）：如何构造一个一致且渐近正态的估计量，使得其收敛速度不受第一阶段潜变量模型估计误差的拖累（即实现Neyman正交性）？
Q3（假设评估）：条件独立假设在AI标注场景下是否合理？如何设计测量过程使其更可信？如何诊断其违反？
Q4（效率）：增加不完美测量的数量是否总能提升下游推断的效率？最优组合方式是什么？

⚠️ 作者的framing¶

作者把缺口frame成什么：作者将现有方法（DSL/PPI）的“金标准标签依赖”视为主要瓶颈，而将经典潜变量模型的“无条件条件独立假设”视为过于严格。因此，本文的“显然的下一步”是：在保留条件独立假设核心结构的同时，通过允许以丰富的观测特征（如文本嵌入）为条件来放松该假设，并利用半参理论将其与一般下游分析连接。作者强调DMM与DSL/PPI是互补的，而非替代。
哪些竞争路线被淡化或回避：作者淡化了Battaglia et al. (2024) 的“测量误差与抽样误差同阶”假设路径，以及Chen, Rambachan and Tamer (2026) 的部分识别路径。作者明确说DMM是“点识别”而后者是“部分识别”，但未深入比较两种路径在应用中的优劣（例如，当条件独立假设严重违反时，部分识别可能更稳健）。
什么明显该被引/该存在、却没出现在intro里：作者未引用关于“测量误差模型中的非参数识别与效率”的综述性工作，如Schennach (2016, 2022) 的《Annual Review of Economics》文章（虽然正文引了，但intro未突出）。此外，关于“高维协变量下条件独立假设的检验”的计量经济学文献（如关于条件矩检验的文献）未被提及，而这与本文Section 5的诊断工具直接相关。

张力¶

未见明显对立引用。各子线索的工作在各自假设下自洽，主要张力在于“是否依赖金标准标签”和“条件独立假设的强弱”之间的权衡，作者将其frame为互补关系。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
\(X^*_i \in \{0,1\}\)：第 \(i\) 个单元的真实标签（潜变量，不可观测）。这是下游分析的目标变量。
\(Y_i\)：下游分析中的因变量（可观测）。
\(W_i\)：下游分析中的协变量（可观测）。
\(\widetilde{X}_i = (X^{(1)}_i, \ldots, X^{(J)}_i)\)：\(J\) 个不完美代理变量（可观测），每个 \(X^{(j)}_i \in \{0,1\}\)。例如，来自不同LLM的标注结果。
\(D_i\)：辅助的输入或标注层面信息（可观测），如文本嵌入、标注任务难度。用于放宽条件独立假设。
\(\widetilde{D}_i = (D_i, W_i, Y_i)\)：用于条件独立假设的完整条件集。
\(\beta \in \mathbb{R}^{d_\beta}\)：下游分析中感兴趣的有限维参数。
\(\psi^F(Y, X^*, W; \beta)\)：全数据矩函数（full-data moment function）。如果 \(X^*\) 可观测，\(\beta^*\) 是 \(E[\psi^F(Y, X^*, W; \beta)] = 0\) 的唯一解。
\(\eta^*_{j,a}(d) = \Pr(X^{(j)} = 1 \mid X^* = a, \widetilde{D}=d)\)：条件分类率（conditional classification rate），即第 \(j\) 个代理变量的真阳性率（\(a=1\)）或假阳性率（\(a=0\)）。这是需要识别的关键“ nuisance function”。
\(M_j(\widetilde{D}; \eta^*) = \frac{X^{(j)} - \eta^*_{j,0}(\widetilde{D})}{\eta^*_{j,1}(\widetilde{D}) - \eta^*_{j,0}(\widetilde{D})}\)：单代理桥函数（single-proxy bridge function）。其关键性质：\(E[M_j \mid X^*, \widetilde{D}] = X^*\)。
\(H^R(\widetilde{X}, \widetilde{D}; \eta^*)\)：稳健桥函数（robust bridge function），由多个 \(M_j\) 的多项式组合而成，满足 \(E[H^R \mid X^*, \widetilde{D}] = X^*\) 且具有Neyman正交性。
模型：
数据生成机制：假设存在一个潜变量 \(X^*\)，研究者无法直接观测。研究者能观测到 \(J \ge 3\) 个代理变量 \(X^{(j)}\)，这些代理变量在给定 \(X^*\) 和 \(\widetilde{D}\) 下条件独立（Assumption 3.1）。每个代理变量的误差结构由条件分类率 \(\eta^*_{j,a}(\widetilde{D})\) 完全刻画，这些分类率可以随代理变量 \(j\) 和单元 \(i\)（通过 \(\widetilde{D}\)）变化。
下游模型：研究者指定一个矩条件 \(E[\psi^F(Y, X^*, W; \beta)] = 0\) 来定义目标参数 \(\beta^*\)。该矩条件可以是线性回归、逻辑回归等，且不要求模型正确设定（misspecification下 \(\beta^*\) 解释为总体投影参数）。
可观测数据：
可观测：\(\{Y_i, W_i, \widetilde{X}_i, D_i\}_{i=1}^n\)。即下游因变量、协变量、多个代理变量、辅助信息。
不可观测（潜变量）：\(X^*_i\)。这是下游分析真正需要的变量，但被误差污染。
关键区分：研究者“想要但观测不到”的是 \(X^*\)。所有推断必须基于可观测数据，通过假设（条件独立）和识别策略（CP分解）来“恢复” \(X^*\) 在下游矩函数中的作用。

第二步：讲最小内核¶

最简特例：\(J=3\) 个代理变量，均为二值，且 \(\widetilde{D}\) 为空集（即经典无条件条件独立假设）。下游分析为线性回归：\(Y_i = \beta_0 + \beta_1 X^*_i + \epsilon_i\)，目标估计 \(\beta_1\)。

在这个特例下，核心问题退化为： - 识别：如何从三个二值代理变量 \(X^{(1)}, X^{(2)}, X^{(3)}\) 的联合分布中，识别出每个代理的误分类率 \(\eta^*_{j,a}\)？ - 估计：如何利用识别的 \(\eta^*_{j,a}\) 构造一个关于 \(\beta_1\) 的无偏矩估计，且该估计对 \(\eta^*_{j,a}\) 的估计误差不敏感？

核心思路（CP分解 + 稳健桥函数）： 1. 识别（CP分解）：在无条件条件独立假设下，三个代理变量的联合分布可以写成一个三阶张量（tensor）的CP分解形式（公式3.4）。Kruskal (1977) 的定理保证，只要每个代理的误分类率矩阵的Kruskal秩之和 \(\ge 2K^* + 2 = 6\)（这里 \(K^*=2\)，每个代理的Kruskal秩为2，和为6），该分解在排列和缩放意义下唯一。因此，\(\eta^*_{j,a}\) 可以从可观测的联合分布中识别出来。 2. 构造桥函数：对于每个代理 \(j\)，定义单代理桥函数 \(M_j = (X^{(j)} - \eta^*_{j,0}) / (\eta^*_{j,1} - \eta^*_{j,0})\)。可以验证 \(E[M_j \mid X^*] = X^*\)。但直接用单个 \(M_j\) 替换 \(X^*\) 进行下游回归，会导致估计量对 \(\eta^*_{j,a}\) 的估计误差敏感（一阶偏差）。 3. 稳健组合（Neyman正交性）：为了消除一阶偏差，本文使用三个代理的桥函数组合成稳健桥函数 \(H^R = M_1 M_2 + M_1 M_3 + M_2 M_3 - 2 M_1 M_2 M_3\)。可以证明： - 无偏性：\(E[H^R \mid X^*] = X^*\)。 - 局部稳健性：当用估计的 \(\hat{\eta}\) 代替真值 \(\eta^*\) 时，\(E[\hat{H}^R \mid X^*=1]\) 的偏差是 \(\hat{\eta}\) 估计误差的二阶项（乘积项），而非一阶项。这意味着，只要 \(\hat{\eta}\) 以 \(n^{-1/4}\) 速率收敛，下游参数 \(\beta_1\) 的估计就能达到 \(\sqrt{n}\) 收敛。 4. 下游推断：用 \(H^R\) 替换 \(X^*\) 构造去偏矩函数：\(\psi^{DMM} = (1-H^R) \psi^F(Y, 0; \beta) + H^R \psi^F(Y, 1; \beta)\)。对于线性回归，这等价于用 \(H^R\) 作为工具变量进行回归。由于 \(H^R\) 是 \(X^*\) 的无偏代理且具有Neyman正交性，求解 \(n^{-1} \sum \psi^{DMM} = 0\) 得到的 \(\hat{\beta}^{DMM}\) 是 \(\beta^*\) 的一致且渐近正态估计。

这个最小内核揭示了论文的核心数学贡献：通过精心设计的桥函数组合，将经典潜变量模型的识别结果（CP分解）与半参效率理论（Neyman正交性）无缝连接，使得在无金标准标签的情况下，也能对下游参数进行 \(\sqrt{n}\) 速率的有效推断。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在无金标准标签的条件下，如何利用多个（\(J \ge 3\)）不完美的AI测量（如不同LLM的标注）对下游统计参数（如回归系数）进行有效的点估计和推断。
核心工具/方法：结合了非参数潜变量模型的CP分解识别结果（Kruskal, 1977; Allman, Matias and Rhodes, 2009）与半参推断中的稳健桥函数和Neyman正交性（Zhou and Tchetgen Tchetgen, 2024; Guo, Shpitser and Ogburn, 2026），提出了DMM（Debiased inference with Multiple imperfect Measurements）框架。
主要结论：在放宽的条件独立假设（允许以观测特征为条件）下，DMM估计量是一致且渐近正态的，其收敛速度不受第一阶段条件分类率估计的拖累（只需 \(n^{-1/4}\) 速率），从而支持有效的置信区间构造。模拟和实证验证表明，DMM能显著降低偏差并恢复名义覆盖水平，且增加足够信息量的代理变量可提升效率。

关键设定与假设¶

Assumption 3.1（条件独立假设）：\(X^{(1)} \perp \!\!\! \perp \cdots \perp \!\!\! \perp X^{(J)} \mid X^*, \widetilde{D}\)，其中 \(\widetilde{D} = (D, W, Y)\)。这是核心假设，比经典的无条件条件独立假设（仅给定 \(X^*\)）更弱，因为它允许代理变量共享由 \(\widetilde{D}\) 捕捉的误差来源（如文本难度）。相比已有文献：经典潜变量模型（Dawid and Skene, 1979）假设无条件独立；本文通过引入 \(\widetilde{D}\) 使其更适用于AI标注场景。
Kruskal秩条件（Result 1）：存在一个三分割，使得三个块的条件概率矩阵的Kruskal秩之和 \(\ge 2K^* + 2\)。对于二值 \(X^*\) 且每个代理都有信息量（即 \(\eta^*_{j,1} \neq \eta^*_{j,0}\)），该条件自动满足（和为6）。这是CP分解唯一性的关键。
锚定规则（Anchoring rule）：需要指定一个规则来消除CP分解的排列模糊性，例如假设某个锚定代理的真阳性率大于假阳性率（\(\eta^*_{j^\dagger,1} > \eta^*_{j^\dagger,0}\)）。这是一个温和的、在实践中通常成立的条件。
正则性条件（Theorem 3.2）：包括参数空间的紧致性、矩函数的Lipschitz性质、雅可比矩阵的非奇异性、以及条件分类率对比度（\(\eta^*_{j,1} - \eta^*_{j,0}\)）一致有界远离零。这些是半参推断的标准条件。

主要结果¶

Theorem 3.1（识别）：在Assumption 3.1和Kruskal秩条件下，条件分类率 \(\eta^*_{j,a}(\widetilde{D})\) 和下游参数 \(\beta^*\) 均可从可观测数据分布中识别。证明思路：先通过CP分解识别 \(\eta^*\)，再构造稳健桥函数 \(H^R\)，最后证明 \(E[\psi^{DMM}(\widetilde{X}, \widetilde{D}; \beta, \eta^*)] = E[\psi^F(Y, X^*, W; \beta)]\)，从而 \(\beta^*\) 是 \(E[\psi^{DMM}] = 0\) 的唯一解。
Theorem 3.2（渐近性质）：假设第一阶段条件分类率估计的 \(L_2\) 误差 \(\delta_n = o_p(1)\)，则DMM估计量 \(\hat{\beta}^{DMM}\) 一致。若进一步 \(\delta_n = o_p(n^{-1/4})\)，则 \(\sqrt{n}(\hat{\beta}^{DMM} - \beta^*) \rightsquigarrow N(0, A_0^{-1} \Omega_0 A_0^{-\top})\)。关键：\(n^{-1/4}\) 速率要求远慢于 \(\sqrt{n}\)，允许使用灵活的机器学习方法估计 \(\eta^*\)。证明的核心是Proposition 3.1：稳健桥函数的条件偏差是二阶的（\(O(\delta_n^2)\)），结合交叉拟合（cross-fitting）控制经验过程项，从而得到 \(\sqrt{n}\) 收敛。
效率讨论（Section 3.3末尾）：推导了DMM估计量的渐近方差表达式，并给出了增加代理变量改善效率的充分必要条件（公式B.3）。核心发现：增加一个代理变量当且仅当其单代理桥函数的条件方差 \(\kappa_{J+1,a}(d)\) 小于某个由现有代理决定的阈值 \(\bar{\kappa}_{J,a}(d)\) 时，才能提升效率。因此，更多代理并不机械地提升效率，低质量代理可能有害。

证明路线与技术技巧（理论型）¶

整体路线：
识别阶段：利用CP分解（Kruskal, 1977）从 \(J \ge 3\) 个代理变量的联合分布中识别条件分类率 \(\eta^*_{j,a}(\widetilde{D})\)。这是经典结果，本文直接引用。
桥函数构造：基于识别的 \(\eta^*\)，构造单代理桥函数 \(M_j\)，然后通过特定系数（3和-2）组合成稳健桥函数 \(H^R\)。该组合的设计是为了消除一阶偏差。
去偏矩函数：用 \(H^R\) 替换 \(X^*\) 构造 \(\psi^{DMM}\)，并证明其无偏性（Theorem 3.1）。
渐近分析：使用交叉拟合（cross-fitting）将第一阶段 \(\eta\) 的估计与第二阶段 \(\beta\) 的估计分离。证明的关键是Lemma A.1和Lemma A.2，它们量化了由 \(\hat{\eta}\) 估计误差引起的 \(\psi^{DMM}\) 的偏差是二阶的（\(O(\delta_n^2)\)）。然后通过标准Z-估计理论证明 \(\hat{\beta}^{DMM}\) 的 \(\sqrt{n}\) 收敛和渐近正态性（Theorem 3.2）。
关键跳跃点：
从识别到推断的跳跃：经典潜变量模型只解决识别问题，不解决下游推断中的偏差校正。本文的关键跳跃是构造了具有Neyman正交性的稳健桥函数 \(H^R\)，使得下游估计对第一阶段误差不敏感。这个跳跃借鉴了Zhou and Tchetgen Tchetgen (2024) 和 Guo, Shpitser and Ogburn (2026) 在因果推断中的工作。
从 \(J=3\) 到 \(J>3\) 的跳跃：当 \(J>3\) 时，如何组合所有代理变量？本文采用对称的pair和triple平均（公式3.7），并证明其Neyman正交性。这需要处理组合数增长带来的技术细节，但核心思想与 \(J=3\) 一致。
技术技巧点名：
CP分解（Candecomp/Parafac decomposition）：用于识别潜变量模型，是本文识别策略的基石。引用Kruskal (1977) 和 Allman, Matias and Rhodes (2009)。
桥函数（Bridge function）：构造一个可观测变量的函数，其条件期望等于潜变量。这是连接潜变量和可观测矩函数的关键工具。
Neyman正交性（Neyman orthogonality）：通过精心设计桥函数的组合系数（3和-2），使得去偏矩函数对第一阶段nuisance function的估计误差的一阶导数为零。这是实现 \(\sqrt{n}\) 收敛的核心。
交叉拟合（Cross-fitting）：用于控制经验过程项，避免对函数类施加Donsker条件，使得可以使用灵活的机器学习方法估计 \(\eta^*\)。引用Chernozhukov et al. (2018)。
二阶偏差分析（Second-order bias analysis）：Lemma A.1和A.2的核心，证明稳健桥函数的条件偏差是第一阶段误差的乘积项，因此是二阶小量。

真实例子与应用¶

模拟研究（Section 6.1）：
数据/场景：基于Fowler et al. (2021) 的政治广告语气研究。真实标签是广告是否“Promote”，下游分析是逻辑回归，目标系数是“Facebook平台”的效应。使用真实协变量和专家标签校准数据生成过程，确保条件独立假设成立。
方法应用：生成多个不完美代理变量（模拟不同LLM的标注），比较DMM、朴素多数投票和不可达的Oracle估计量。
结果：DMM的偏差始终接近0（0.002-0.003），95%置信区间覆盖接近名义水平（0.946-0.962）。朴素多数投票偏差大（0.085-0.226），覆盖极差（0-0.538）。增加信息量大的代理变量可提升DMM效率，使其RMSE接近Oracle。
说明的问题：验证了在条件独立假设满足时，DMM的理论性质在有限样本下成立，且优于朴素方法。
实证验证（Section 6.2）：
数据/场景：基于Pan and Chen (2018) 的中国官员腐败举报研究。真实标签是举报是否涉及“市级官员不当行为”，下游分析是逻辑回归，目标系数是该标签对“举报是否被上报”的效应。使用真实LLM标注（GPT-4.1, GPT-4, Llama-4）作为代理变量。
方法应用：DMM不使用任何专家标签，DSL使用500个随机抽样的专家标签，朴素方法直接使用单个LLM标注。
结果：DMM的估计值（-0.844）和置信区间覆盖了专家标签基准（-1.039），覆盖率为0.862。DSL的估计值（-1.279）也覆盖基准，覆盖率为0.981。三个朴素估计均严重偏离基准，覆盖率在0.154到0.572之间。
说明的问题：在真实世界（条件独立假设可能近似成立但非精确）中，DMM仍能提供比朴素方法更可靠的推断，其性能接近使用金标准标签的DSL方法。

🔎 结论是否比证明窄¶

窄结论：Theorem 3.2的渐近正态性要求 \(\delta_n = o_p(n^{-1/4})\)，这是一个关于第一阶段估计收敛速率的条件。论文在模拟中使用了参数化的逻辑回归模型，该模型自然满足此条件。但在“更一般”的设定中（如使用深度神经网络估计 \(\eta^*\)），是否总能达到 \(n^{-1/4}\) 速率？论文未提供具体的高维或非参数nuisance函数类的收敛性分析，而是将其作为“高层次条件”（high-level condition）留给用户。因此，结论的适用范围在理论上受限于该速率条件，而论文并未证明该条件在哪些具体的非参数设定下必然成立。
泛泛claim：论文在Introduction中声称“DMM estimator is consistent and asymptotically normal, enabling valid inference for a wide range of downstream statistical analyses”。这个claim在Theorem 3.2的假设下是成立的，但“wide range”依赖于矩函数 \(\psi^F\) 的灵活性。论文给出了线性回归和逻辑回归的例子，并声称可推广到大多数MLE。然而，对于更复杂的矩条件（如分位数回归、GMM），其理论性质（如Neyman正交性是否保持）并未被显式证明，而是隐含在“general moment estimator”的框架下。这是一个合理的推广，但严格来说，论文的证明是针对特定形式的矩函数（公式2.2）进行的。

四、开放问题（点到为止，扎根具体语句）¶

条件独立假设的检验与放松：论文Section 5提供了诊断工具，但承认“failure to reject the null hypothesis... does not imply the validity of the conditional independence assumption”（Section 5.2）。扎根于：Section 5.2末尾。一个开放问题是：能否发展出更严格的、具有统计保证的检验方法，或者提出比条件独立更弱的、但仍能实现点识别的假设（例如，允许某种形式的弱依赖）？
效率改进与最优桥函数：论文给出了增加代理变量改善效率的阈值条件（公式B.3），但未提供如何选择最优桥函数（即最优权重组合）的通用方法。扎根于：Section 3.3末尾“It is straightforward to allow for different weights...”。一个开放问题是：在给定一组代理变量后，如何构造一个达到半参效率界（semiparametric efficiency bound）的DMM估计量？这可能需要求解一个关于桥函数权重的优化问题。
多类别与高维潜变量的扩展：论文Section 4.2讨论了多类别扩展，但指出“Multicategory latent outcomes consequently require richer proxy supports”（Section 4.2）。扎根于：Section 4.2。一个开放问题是：当潜变量类别数 \(K^*\) 很大或潜变量为高维时，Kruskal秩条件变得非常苛刻。能否利用结构假设（如稀疏性、低秩结构）来放松识别条件，并发展相应的计算可行的估计方法？
与计算-统计权衡的潜在联系：论文的核心是“用多个不完美测量替代一个完美测量”，这本质上是一种“计算-数据”的权衡。扎根于：论文的整个动机。一个开放问题是：在AI标注场景下，获取更多不完美测量（如调用不同LLM）的计算成本与获取少量金标准标签的成本之间，是否存在一个最优的资源配置策略？这可以形式化为一个统计-计算权衡问题，类似于“信息-计算缺口”（information-computation gap）的实证版本。

Maintained by 陈星宇 · Homepage · Source on GitHub