論文の概要: Nearest Neighbor Matching as Least Squares Density Ratio Estimation and Riesz Regression
- arxiv url: http://arxiv.org/abs/2510.24433v1
- Date: Tue, 28 Oct 2025 14:01:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 15:35:37.212413
- Title: Nearest Neighbor Matching as Least Squares Density Ratio Estimation and Riesz Regression
- Title（参考訳）: 最小正方形密度比推定とリース回帰としての最近傍マッチング
- Authors: Masahiro Kato,
- Abstract要約: Nearest Neighbor (NN)マッチングは、自動脱バイアス機械学習のためのRiesz回帰の例と解釈できる。
Lin et al. (2023) は、NNマッチングが新しい密度比推定器による密度比推定の例であることを示した。
Chernozhukov et al. (2024) は自動脱バイアス機械学習のためのリース回帰を開発する。
- 参考スコア（独自算出の注目度）: 6.44705221140412
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study proves that Nearest Neighbor (NN) matching can be interpreted as an instance of Riesz regression for automatic debiased machine learning. Lin et al. (2023) shows that NN matching is an instance of density-ratio estimation with their new density-ratio estimator. Chernozhukov et al. (2024) develops Riesz regression for automatic debiased machine learning, which directly estimates the Riesz representer (or equivalently, the bias-correction term) by minimizing the mean squared error. In this study, we first prove that the density-ratio estimation method proposed in Lin et al. (2023) is essentially equivalent to Least-Squares Importance Fitting (LSIF) proposed in Kanamori et al. (2009) for direct density-ratio estimation. Furthermore, we derive Riesz regression using the LSIF framework. Based on these results, we derive NN matching from Riesz regression. This study is based on our work Kato (2025a) and Kato (2025b).
- Abstract（参考訳）: 本研究では,Nearest Neighbor(NN)マッチングが,自動脱バイアス機械学習におけるRiesz回帰の例として解釈可能であることを示す。
Lin et al (2023) は、NNマッチングが新しい密度比推定器による密度比推定の例であることを示した。
Chernozhukov et al (2024) は、平均二乗誤差を最小化することで、Riesz表現子を直接推定する自動脱バイアス機械学習のためのリース回帰を開発する。
本研究では,Lin et al (2023) で提案した密度比推定法が,Kanamori et al (2009) で提案したLeast-Squares Importance Fitting (LSIF) と本質的に等価であることを示す。
さらに,LSIFフレームワークを用いてRiesz回帰を導出する。
これらの結果に基づき、Riesz回帰からNNマッチングを導出する。
本研究は加藤(2025a)と加藤(2025b)の業績に基づく。
関連論文リスト
- Learning density ratios in causal inference using Bregman-Riesz regression [0.0]
核密度推定器を用いて数値と分母密度を別々に推定することは不安定な性能をもたらす。
密度比を(a)ブレグマンの発散に基づいて直接推定する手法や、(b)密度比を確率として再キャストする手法が開発されている。
本稿では,これら3つの手法が共通フレームワークで統一可能であることを示し,ブレグマン・リース回帰(英語版)と呼ぶ。
論文 参考訳（メタデータ） (2025-10-17T18:10:41Z) - DDPM Score Matching and Distribution Learning [24.341062891949953]
スコア推定はスコアベース生成モデル(SGM)のバックボーンである
本稿では,パラメータと密度推定のタスクに対するスコア推定を削減したフレームワークを提案する。
我々は,H"クラスに対する密度推定のための最小値と準多項式PAC密度推定アルゴリズムを提供する。
論文 参考訳（メタデータ） (2025-04-07T15:07:19Z) - Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。
さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
論文 参考訳（メタデータ） (2024-08-08T17:27:29Z) - Sample Complexity Bounds for Score-Matching: Causal Discovery and
Generative Modeling [82.36856860383291]
我々は,標準深部ReLUニューラルネットワークをトレーニングすることにより,スコア関数の正確な推定が可能であることを実証した。
スコアマッチングに基づく因果発見手法を用いて因果関係の回復の誤差率の限界を確立する。
論文 参考訳（メタデータ） (2023-10-27T13:09:56Z) - Benign-Overfitting in Conditional Average Treatment Effect Prediction
with Linear Regression [14.493176427999028]
線形回帰モデルを用いて条件平均処理効果(CATE)の予測における良性過剰適合理論について検討した。
一方,IPW-learnerは確率スコアが分かっていればリスクをゼロに収束させるが,T-learnerはランダムな割り当て以外の一貫性を達成できないことを示す。
論文 参考訳（メタデータ） (2022-02-10T18:51:52Z) - Optimistic Rates: A Unifying Theory for Interpolation Learning and
Regularization in Linear Regression [35.78863301525758]
我々は「最適化率」として知られる一様収束の局所的概念を研究する。
改良された解析は既存の結果の隠れ定数と対数係数を回避している。
論文 参考訳（メタデータ） (2021-12-08T18:55:00Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。