Consider the regression problem where the response $Y\in\mathbb{R}$ and the covariate $X\in\mathbb{R}^d$ for $d\geq 1$ are \textit{unmatched}. Under this scenario, we do not have access to pairs of observations from the distribution of $(X, Y)$, but instead, we have separate datasets $\{Y_i\}_{i=1}^n$ and $\{X_j\}_{j=1}^m$, possibly collected from different sources. We study this problem assuming that the regression function is linear and the noise distribution is known or can be estimated. We introduce an estimator of the regression vector based on deconvolution and demonstrate its consistency and asymptotic normality under an identifiability assumption. In the general case, we show that our estimator (DLSE: Deconvolution Least Squared Estimator) is consistent in terms of an extended $\ell_2$ norm. Using this observation, we devise a method for semi-supervised learning, i.e., when we have access to a small sample of matched pairs $(X_k, Y_k)$. Several applications with synthetic and real datasets are considered to illustrate the theory.

翻译：当对美元( X, Y) 和美元( mathbb) 的响应和 美元( mathbb{ R}) 和 美元( 美元) 和 美元( 美元) 美元( 美元) 和 美元( 美元) 美元( 美元) 和 美元( 美元) / 美元( 美元) / 美元( 美元) / 美元( 美元) / 美元( 美元) / 美元( 美元) / 美元( 美元) / 美元( 美元) / 美元( 美元) / / 美元( 美元) / / 美元( 美元) / 美元( 美元) / 美元( 美元) / / 美元( 美元) / 和 美元( 美元) / 美元( 美元) / / / 美元( 美元) / / / / / / / 美元( / / / 美元) / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / /