論文の概要: genriesz: A Python Package for Automatic Debiased Machine Learning with Generalized Riesz Regression

• arxiv url: http://arxiv.org/abs/2602.17543v1
• Date: Thu, 19 Feb 2026 16:58:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:29.222139
• Title: genriesz: A Python Package for Automatic Debiased Machine Learning with Generalized Riesz Regression
• Title（参考訳）: genriesz: 一般化されたRiesz回帰による自動脱バイアス機械学習のためのPythonパッケージ
• Authors: Masahiro Kato,
• Abstract要約: 我々は、自動DMLと一般化されたRiesz回帰を実装したオープンソースのPythonパッケージであるgenrieszを紹介する。 genrieszは、一般化されたリース回帰推定器がバランス(モーメントマッチング)最適条件を満たすように、互換性のあるリンク関数を自動で構築する。
• 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: Efficient estimation of causal and structural parameters can be automated using the Riesz representation theorem and debiased machine learning (DML). We present genriesz, an open-source Python package that implements automatic DML and generalized Riesz regression, a unified framework for estimating Riesz representers by minimizing empirical Bregman divergences. This framework includes covariate balancing, nearest-neighbor matching, calibrated estimation, and density ratio estimation as special cases. A key design principle of the package is automatic regressor balancing (ARB): given a Bregman generator $g$ and a representer model class, genriesz} automatically constructs a compatible link function so that the generalized Riesz regression estimator satisfies balancing (moment-matching) optimality conditions in a user-chosen basis. The package provides a modulr interface for specifying (i) the target linear functional via a black-box evaluation oracle, (ii) the representer model via basis functions (polynomial, RKHS approximations, random forest leaf encodings, neural embeddings, and a nearest-neighbor catchment basis), and (iii) the Bregman generator, with optional user-supplied derivatives. It returns regression adjustment (RA), Riesz weighting (RW), augmented Riesz weighting (ARW), and TMLE-style estimators with cross-fitting, confidence intervals, and $p$-values. We highlight representative workflows for estimation problems such as the average treatment effect (ATE), ATE on treated (ATT), and average marginal effect estimation. The Python package is available at https://github.com/MasaKat0/genriesz and on PyPI.
• Abstract（参考訳）: Riesz表現定理とデバイアスド機械学習(DML)を用いて因果的パラメータと構造的パラメータの効率的な推定を自動化できる。 本稿では、Riesz表現子を最小化することで、Riesz表現子を推定する統一フレームワークであるRiesz回帰とDML自動実装のオープンソースPythonパッケージであるgenrieszについて述べる。 このフレームワークは、共変量バランス、最寄りのマッチング、キャリブレーション推定、密度比推定を特別なケースとして含む。 パッケージのキーとなる設計原則は自動回帰バランシング(ARB)であり、Bregmanジェネレータが$g$と表現モデルクラスを与えられたとき、genriesz}は自動的に互換性のあるリンク関数を構築し、一般化されたRiesz回帰推定器は、ユーザ・コセンベースで最適条件のバランス(モーメントマッチング)を満足する。 パッケージは、指定のためのmodulrインターフェイスを提供する 一 ブラックボックス評価オラクルによる目標線形機能 (二)基本機能による代表者モデル(ポリノミカル、RKHS近似、ランダム森林葉のコード化、神経埋め込み、最寄りの捕集ベース)及び (iii) 任意のユーザ供給デリバティブを備えたBregmanジェネレータ。 回帰調整(RA)、Riesz重み付け(RW)、拡張Riesz重み付け(ARW)、クロスフィット、信頼区間、および$p$値を持つTMLEスタイルの推定器を返す。 本稿では,平均治療効果(ATE),処理効果(ATT),平均限界効果推定などの推定問題に対する代表的ワークフローを強調した。 Pythonパッケージはhttps://github.com/MasaKat0/genrieszとPyPIで入手できる。

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)
• 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)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• shapr: Explaining Machine Learning Models with Conditional Shapley Values in R and Python [0.6562256987706128]
  ShaprはShapley値ベースの予測説明を生成する汎用ツールである。 Shaprpy Pythonライブラリは、Shaprのコア機能をPythonエコシステムにもたらす。
  論文  参考訳（メタデータ） (2025-04-02T15:47:30Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• 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)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)

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。