Automatic Debiased Machine Learning via Riesz Regression
通过 Riesz 回归实现自动去偏机器学习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：摘要明确涉及与逆倾向得分去偏的比较，因此与因果推断中的机器学习去偏方法直接相关。
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…
通过 Riesz 回归实现自动去偏机器学习
- 研究问题
- 当目标参数依赖高维回归时，如何减少机器学习正则化与模型选择带来的偏差，并自动构造所需的去偏步骤？
- 方法与思路
- 作者以目标参数定义 Riesz 回归来估计表示元，再构造 Neyman 正交估计方程，允许使用神经网络和随机森林等学习器。
- 材料陈述的贡献
- 摘要称该框架实现自动去偏，并扩展到广义回归；同时给出有限样本均方误差界、渐近理论及模拟和实证示例。
- 阅读关注点
- 应核对 Riesz 回归的目标函数、广义回归扩展的适用条件，以及误差界、渐近推断和模拟比较各自依赖的设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未说明具体理论条件，模拟中的表现不能外推为普遍优越性。
原文摘要
A variety of interesting parameters may depend on high dimensional regressions. Machine learning can be used to estimate such parameters. However estimators based on machine learners can be severely biased by regularization and/or model selection. Debiased machine learning uses Neyman orthogonal estimating equations to reduce such biases. Debiased machine learning generally requires estimation of unknown Riesz representers. A primary innovation of this paper is to provide Riesz regression estimators of Riesz representers that depend on the parameter of interest, rather than explicit formulae, and that can employ any machine learner, including neural nets and random forests. End-to-end algorithms emerge where the researcher chooses the parameter of interest and the machine learner and the debiasing follows automatically. Another innovation here is debiased machine learners of parameters depending on generalized regressions, including high-dimensional generalized linear models. An empirical example of automatic debiased machine learning using neural nets is given. We find in Monte Carlo examples that automatic debiasing sometimes performs better than debiasing via inverse propensity scores and never worse. Finite sample mean square error bounds for Riesz regression estimators and asymptotic theory are also given.