論文の概要: Covariate Balancing and Riesz Regression Should Be Guided by the Neyman Orthogonal Score in Debiased Machine Learning

• arxiv url: http://arxiv.org/abs/2605.06386v1
• Date: Thu, 07 May 2026 15:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.927885
• Title: Covariate Balancing and Riesz Regression Should Be Guided by the Neyman Orthogonal Score in Debiased Machine Learning
• Title（参考訳）: Covariate Balancing と Riesz Regression は Debiased Machine Learning における Neyman Orthogonal Score によってガイドされるべきである
• Authors: Masahiro Kato,
• Abstract要約: DMLの一般的なバランス原理として,Rieszレグレッションが基本関数を$X$で実装した回帰バランシングを提唱する。 この位置は共変量バランスが無効であるわけではないが、共変量バランスが適切である特別な場合として理解されるべきである。
• 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 position paper argues that, in debiased machine learning, balancing functions should be derived from the Neyman orthogonal score, not chosen only as functions of covariates. Covariate balancing is effective when the regression error entering the score can be represented by functions of covariates alone, and it is the natural finite-dimensional approximation for targets such as ATT counterfactual means. For ATE estimation under treatment effect heterogeneity, however, the score error generally contains treatment-specific components because the outcome regression is a function of the full regressor $X=(D,Z)$. In that case, balancing common functions of $Z$ can leave the treatment-specific component unbalanced. We therefore advocate regressor balancing, implemented by Riesz regression with basis functions of $X$, as the general balancing principle for DML. The position is not that covariate balancing is invalid, but that covariate balancing should be understood as the special case that is appropriate when the score-relevant regression error is a function of covariates alone.
• Abstract（参考訳）: このポジションペーパーは、デバイアスド機械学習において、バランス関数は共変量の関数としてのみ選択されるのではなく、ナイマン直交スコアから導かれるべきであると主張している。 共変量バランスは、スコアに入る回帰誤差が共変量のみの関数で表せる場合に有効であり、ATT反現実的手段のような対象に対する自然な有限次元近似である。 しかし、処理効果の不均一性の下でのATE推定では、結果回帰がフル回帰器$X=(D,Z)$の関数であるため、スコア誤差は一般に処理固有成分を含む。 この場合、Z$の共通関数のバランスをとることは、処理固有のコンポーネントをアンバランスに残すことができる。 そこで我々は、DMLの一般的なバランス原理として、X$の基底関数を持つリースレグレッションによって実装された回帰バランシングを提唱する。 この位置は共変量バランスが無効であるわけではないが、その共変量バランスは、スコア関連回帰誤差が共変量のみの関数である場合に適切な特別な場合として理解されるべきである。

関連論文リスト

• DARTS: Targeting Prognostic Covariates in Budget-Constrained Sequential Experiments [47.61857875238484]
  我々はトンプソンサンプリング(DARTS)による動的適応的ランダム化を導入する。 DARTSは、共変量取得を設計に基づく因果推論タスクに埋め込まれた逐次最適化問題として扱う。 我々は,最小限の値と対数的因子とを一致させる獲得層に対してベイズリスクを導出する。
  論文  参考訳（メタデータ） (2026-05-07T17:27:51Z)
• A Unified Theory for Causal Inference: Direct Debiased Machine Learning via Bregman-Riesz Regression [6.44705221140412]
  本稿では、リース回帰、共変量バランス、密度比推定(DRE)、平均処理効果(ATE)推定におけるマッチング推定器を統合する因果推論の統一理論を紹介する。 ATE推定では、バランスウェイトと結果の回帰関数が重要な役割を果たす。
  論文  参考訳（メタデータ） (2025-10-30T17:56:47Z)
• 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)
• Regression-Based Estimation of Causal Effects in the Presence of Selection Bias and Confounding [52.1068936424622]
  治療が介入によって設定された場合、対象変数$Y$に対して、予測因果効果$E[Y|do(X)]$を推定する問題を考える。 選択バイアスや欠点のない設定では、$E[Y|do(X)] = E[Y|X]$ となる。 選択バイアスとコンバウンディングの両方を組み込んだフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-26T13:43:37Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• Mean Parity Fair Regression in RKHS [43.98593032593897]
  平均パリティ(MP)フェアネスという概念の下で,公平回帰問題を考察する。 再生カーネルヒルベルト空間(RKHS)を利用してこの問題に対処する。 効率よく実装でき、解釈可能なトレードオフを提供する、対応する回帰関数を導出する。
  論文  参考訳（メタデータ） (2023-02-21T02:44:50Z)
• Kernel-based off-policy estimation without overlap: Instance optimality beyond semiparametric efficiency [53.90687548731265]
  本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。 任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
  論文  参考訳（メタデータ） (2023-01-16T02:57:37Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Kernel Ridge Riesz Representers: Generalization, Mis-specification, and the Counterfactual Effective Dimension [2.7152798636894193]
  私はカーネルバランスウェイトをカーネルリッジリース表現器(KRRR)と解釈する。 KRRRはカーネルリッジ回帰の正確な一般化である。 私はKRRRを用いて、資産に対する401(k)の非均一な処理効果について、年齢によって不確実性を定量化します。
  論文  参考訳（メタデータ） (2021-02-22T14:46:23Z)

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。