ScoreMatchingRiesz: Score Matching for Debiased Machine Learning and Policy Path Estimation
ScoreMatchingRiesz：用于去偏机器学习与政策路径估计的得分匹配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：摘要明确讨论因果目标、正交得分及连续处理的政策效应路径，直接对应因果推断。
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
ScoreMatchingRiesz：用于去偏机器学习与政策路径估计的得分匹配
- 研究问题
- 如何稳定估计去偏机器学习所需的 Riesz 表示子，并刻画连续处理下政策效应从平均边际效应到平均政策效应的变化路径？
- 方法与思路
- 作者将 Riesz 表示子估计表述为得分估计问题，结合去噪得分匹配与逐级密度比估计，并提出可由得分匹配估计的政策路径。
- 材料陈述的贡献
- 摘要称提供一族基于得分匹配的表示子估计方法，并通过政策路径平滑连接平均边际效应和平均政策效应以改善解释性。
- 阅读关注点
- 应核对表示子与得分的对应条件、政策路径的定义及识别，以及估计误差满足何种要求才能支持正交得分的渐近推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出具体误差率及实验结果，不能直接认定新估计器达到效率界。
原文摘要
We propose ScoreMatchingRiesz, a family of Riesz representer estimators based on score matching. The Riesz representer is a key nuisance component in debiased machine learning, enabling $\sqrt{n}$-consistent and asymptotically efficient estimation of causal and structural targets via Neyman-orthogonal scores. We formulate Riesz representer estimation as a score estimation problem. This perspective stabilizes representer estimation by allowing us to leverage denoising score matching and telescoping density ratio estimation. We also introduce the policy path, a parameter that captures how policy effects evolve under continuous treatments. We show that the policy path can be estimated via score matching by smoothly connecting average marginal effect (AME) and average policy effect (APE) estimation, which improves the interpretability of policy effects.