Generalized Riesz Regression: A Unified Framework for Debiased Machine Learning with Riesz Representer Fitting under Bregman Divergence
广义 Riesz 回归：基于 Bregman 散度拟合的去偏机器学习统一框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将去偏机器学习框架应用于处理效应估计，因而具有直接的因果推断依据，其他应用未进一步硬分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
广义 Riesz 回归：基于 Bregman 散度拟合的去偏机器学习统一框架
- 研究问题
- 如何统一不同 Riesz 表示元拟合目标，并明确损失生成函数与表示元模型所保护的回归方向，从而控制去偏估计中的系统误差？
- 方法与思路
- 作者借助 Riesz 恒等式使 Bregman 散度目标可观测，通过一阶条件获得经验 Riesz 方程，并以兼容性将模型切向方向对齐预选回归变量。
- 材料陈述的贡献
- 摘要称，该框架涵盖多类现有目标，给出精确平衡下的正交得分恒等式、不同模型的收敛率，以及 Donsker 条件或交叉拟合下的渐近正态性。
- 阅读关注点
- 核对生成函数曲率、方向兼容性和精确平衡的定义，区分样本平衡与总体误差控制，并检查各模型收敛率及正态推断条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列出完整速率条件及应用识别假设，统一框架不代表所有损失和模型都有相同表现。
原文摘要
Estimating the Riesz representer is central to debiased machine learning, yet the generator and representer model determine which regression directions their first-order conditions protect. We introduce generalized Riesz regression, which minimizes a Bregman divergence made observable by the Riesz identity. Squared and Kullback--Leibler-type choices recover Riesz regression, tailored loss minimization, and density-ratio objectives. For any twice-differentiable generator and differentiable representer model, the first-order conditions impose empirical Riesz equations in model-dependent tangent directions. Compatibility aligns those directions with regressors chosen in advance. These equations give sharp control of the systematic Neyman error and an orthogonal-score identity under exact balance. We derive convergence rates for sparse models linear in dual coordinates, reproducing kernel Hilbert space models, and neural networks, with generator curvature entering the sparse rate. We establish asymptotic normality under Donsker conditions or nuisance estimation via cross-fitting. Applications include treatment effects, average marginal effects, and covariate shift.