함수적 이층 (Functional bilevel) 방법들은 하위 수준 (lower-level) 함수를 추정하고 이를 하이퍼기울기 (hypergradient)에 대입하지만, 하위 수준 문제가 비모수적 (nonparametrically)으로 학습될 때 이 플러그인 (plug-in) 기울기는 1차 편향 (first-order bias)을 유지할 수 있습니다. 이러한 편향을 제거하기 위해, 우리는 효율적 영향 함수 (efficient influence function)를 기반으로 모집단 이층 기울기 (population bilevel gradients)를 위한 준모수적 (semiparametric) 편향 제거 이론을 개발합니다. 이러한 관점은 교차 적합 직교 하이퍼기울기 추정기 (cross-fitted orthogonal hypergradient estimator)로 이어지며, 우리는 이에 대해 외부 파라미터 (outer parameter)에 대한 균등 제어 (uniform control)와 함께 점근적 정규성 (asymptotic normality)을 확립합니다. 이차 손실 (quadratic losses) 하에서, 이 추정기는 조건부 평균 유해 요인 (conditional mean nuisances)에 기반한 단순한 이중 강건 점수 (doubly robust score)로 축소됩니다. 정답 (ground truth)을 알고 있는 합성 이층 벤치마크 (synthetic bilevel benchmarks)에서, 이 방법은 오라클 효율적 기울기 (oracle efficient-gradient) 벤치마크를 추적하며, 플러그인 함수적 하이퍼기울기 (plug-in functional hypergradients) 및 정규화된 커널 이층 (regularized kernel bilevel) 베이스라인보다 성능을 개선합니다.