論文の概要: ScoreMatchingRiesz: Auto-DML with Infinitesimal Classification
- arxiv url: http://arxiv.org/abs/2512.20523v1
- Date: Tue, 23 Dec 2025 17:14:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-24 19:17:49.944809
- Title: ScoreMatchingRiesz: Auto-DML with Infinitesimal Classification
- Title（参考訳）: ScoreMatchingRiesz:無限小分類付き自動DML
- Authors: Masahiro Kato,
- Abstract要約: 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。
- 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 proposes Riesz representer estimation methods based on score matching. The Riesz representer is a key component in debiased machine learning for constructing $\sqrt{n}$-consistent and efficient estimators in causal inference and structural parameter estimation. To estimate the Riesz representer, direct approaches have garnered attention, such as Riesz regression and the covariate balancing propensity score. These approaches can also be interpreted as variants of direct density ratio estimation (DRE) in several applications such as average treatment effect estimation. In DRE, it is well known that flexible models can easily overfit the observed data due to the estimand and the form of the loss function. To address this issue, recent work has proposed modeling the density ratio as a product of multiple intermediate density ratios and estimating it using score-matching techniques, which are often used in the diffusion model literature. We extend score-matching-based DRE methods to Riesz representer estimation. Our proposed method not only mitigates overfitting but also provides insights for causal inference by bridging marginal effects and average policy effects through time score functions.
- Abstract（参考訳）: 本研究では,スコアマッチングに基づくRiesz表現子推定手法を提案する。
Riesz表現子は、因果推論と構造的パラメータ推定において、$\sqrt{n}$-consistentで効率的な推定器を構築するために、偏りのある機械学習において重要な要素である。
Riesz表現器を推定するためには、Riesz回帰や共変量バランス確率スコアのような直接的なアプローチが注目されている。
これらの手法は、平均処理効果推定などのいくつかの応用において、直接密度比推定(DRE)の変種として解釈することもできる。
DREでは、推定値と損失関数の形式により、フレキシブルモデルが観測データに容易に適合できることが知られている。
この問題に対処するために、近年の研究では、複数の中間密度比の積として密度比をモデル化し、拡散モデル文献でよく用いられるスコアマッチング技術を用いてそれを推定することを提案した。
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。
提案手法は,過度適合を緩和するだけでなく,時間スコア関数による限界効果と平均政策効果をブリッジすることで因果推論の洞察を与える。
関連論文リスト
- Riesz Regression As Direct Density Ratio Estimation [6.44705221140412]
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。
論文 参考訳（メタデータ） (2025-11-06T17:25:05Z) - 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) - Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions [0.720409153108429]
低サンプルサイズ方程式における平均処理効果を2倍頑健に推定する手法を提案する。
提案した信頼区間は, 競合する推定値と比較して効率がよいことを示す。
論文 参考訳（メタデータ） (2025-07-23T11:58:54Z) - 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) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - Partial Identification with Noisy Covariates: A Robust Optimization
Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。
このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。
合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文 参考訳（メタデータ） (2022-02-22T04:24:26Z) - 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。