論文の概要: Riesz Regression As Direct Density Ratio Estimation

• arxiv url: http://arxiv.org/abs/2511.04568v1
• Date: Thu, 06 Nov 2025 17:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.52974
• Title: Riesz Regression As Direct Density Ratio Estimation
• Title（参考訳）: 直接密度比推定としてのリース回帰
• Authors: Masahiro Kato,
• Abstract要約: 本研究では,Riesz回帰が重要な場合において直接密度比推定(DRE)と密接に関連していることを示す。 具体的には、リース回帰におけるアイデアと目的は、DRE推定に適合する最小二乗の重要性と一致する。
• 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: Riesz regression has garnered attention as a tool in debiased machine learning for causal and structural parameter estimation (Chernozhukov et al., 2021). This study shows that Riesz regression is closely related to direct density-ratio estimation (DRE) in important cases, including average treat- ment effect (ATE) estimation. Specifically, the idea and objective in Riesz regression coincide with the one in least-squares importance fitting (LSIF, Kanamori et al., 2009) in direct density-ratio estimation. While Riesz regression is general in the sense that it can be applied to Riesz representer estimation in a wide class of problems, the equivalence with DRE allows us to directly import exist- ing results in specific cases, including convergence-rate analyses, the selection of loss functions via Bregman-divergence minimization, and regularization techniques for flexible models, such as neural networks. Conversely, insights about the Riesz representer in debiased machine learning broaden the applications of direct density-ratio estimation methods. This paper consolidates our prior results in Kato (2025a) and Kato (2025b).
• Abstract（参考訳）: リースレグレッションは、因果的および構造的パラメータ推定のための脱バイアス機械学習のツールとして注目されている(Chernozhukov et al , 2021)。 本研究では,Riesz回帰が,平均処理量効果(ATE)推定を含む重要なケースにおいて,直接密度比推定(DRE)と密接に関連していることを示す。 具体的には、リース回帰のアイデアと目的は、直接密度比の推定における最小二乗重み付け(LSIF, Kanamori et al , 2009)と一致する。 リース回帰は、様々な問題においてリース代表者推定に適用できるという意味で一般的であるが、DREとの等価性は、収束速度解析、ブレグマン分割最小化による損失関数の選択、ニューラルネットワークなどのフレキシブルモデルに対する正規化技術を含む特定のケースにおいて、存在像を直接インポートすることを可能にする。 逆に、偏バイアス機械学習におけるリース代表者に関する洞察は、直接密度比推定法の適用範囲を広げる。 本稿では,加藤(2025a)と加藤(2025b)の先行結果を整理する。

関連論文リスト

• Riesz Representer Fitting under Bregman Divergence: A Unified Framework for Debiased Machine Learning [6.44705221140412]
  Riesz表現子の推定は、因果的および構造的パラメータ推定のための機械学習の中心である。 本稿では,Bregmanの発散最小化を通した表現子モデルを適用することにより,Riesz表現子を推定する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-12T17:36:33Z)
• ScoreMatchingRiesz: Auto-DML with Infinitesimal Classification [6.44705221140412]
  Riesz表現子は、$sqrtn$-consistentと効率的な推定器を構築するための機械学習の重要なコンポーネントである。 スコアマッチングに基づくDRE手法をRiesz表現子推定に拡張する。
  論文  参考訳（メタデータ） (2025-12-23T17:14:14Z)
• Nearest Neighbor Matching as Least Squares Density Ratio Estimation and Riesz Regression [6.44705221140412]
  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。
  論文  参考訳（メタデータ） (2025-10-28T14:01:51Z)
• Direct Debiased Machine Learning via Bregman Divergence Minimization [6.44705221140412]
  エンド・ツー・エンド・アルゴリズムを用いた機械学習フレームワークを開発した。 我々は,ニュアンスパラメータ,回帰関数,リース表現器を定式化する。 Neyman のターゲット推定には Riesz の表現子推定が含まれており,Bregman の発散率を用いて不一致を計測する。
  論文  参考訳（メタデータ） (2025-10-27T17:10:43Z)
• 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)
• RieszBoost: Gradient Boosting for Riesz Regression [49.737777802061984]
  本稿では,Riesz表現子を直接推定するために,その明示的な解析形式を必要とせず,新たな勾配向上アルゴリズムを提案する。 提案アルゴリズムは,様々な関数を対象とした間接推定手法と同等以上の性能を示す。
  論文  参考訳（メタデータ） (2025-01-08T23:04:32Z)
• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)
• 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)
• Provable Risk-Sensitive Distributional Reinforcement Learning with General Function Approximation [54.61816424792866]
  本稿では,リスク感性分布強化学習(RS-DisRL)と静的リプシッツリスク対策(LRM),一般関数近似について紹介する。 モデルに基づく関数近似のためのモデルベース戦略であるtextttRS-DisRL-M と、一般値関数近似のためのモデルフリーアプローチである textttRS-DisRL-V の2つの革新的なメタアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-02-28T08:43:18Z)
• Linked shrinkage to improve estimation of interaction effects in regression models [0.0]
  回帰モデルにおける双方向相互作用項によく適応する推定器を開発する。 我々は,選択戦略では難しい推論モデルの可能性を評価する。 私たちのモデルは、かなり大きなサンプルサイズであっても、ランダムな森林のような、より高度な機械学習者に対して非常に競争力があります。
  論文  参考訳（メタデータ） (2023-09-25T10:03:39Z)
• Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression [91.3373131262391]
  不確かさが唯一の確実性である。 伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。 現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
  論文  参考訳（メタデータ） (2021-03-25T06:56:09Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)

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。