Generalized Riesz Regression
因果効果や構造パラメータを機械学習で推定するとき、バイアスを取り除く補正項として Riesz representer と呼ばれる関数が現れます。Generalized Riesz Regression は、この Riesz representer を Bregman ダイバージェンスの最小化で推定する枠組みで、共変量バランシングや密度比推定を含む複数の手法を一つの理論で説明します。主論文は A Unified Framework for Debiased Machine Learning: Riesz Representer Fitting under Bregman Divergence（Kato, 2026, arXiv:2601.07752）で、実装は genriesz: A Python Package for Automatic Debiased Machine Learning with Generalized Riesz Regression（Kato, 2026）が提供します。
この枠組みが扱う内容
平均処置効果のような目的パラメータを機械学習で推定すると、回帰モデルの推定誤差がそのままバイアスとして残ります。デバイアス機械学習は、Riesz representer による補正項を足すことでこのバイアスを打ち消しますが、補正項自体をどう推定するかが問題になります。二乗距離を使う Riesz regression と、KL ダイバージェンスを使う tailored loss は、これまで別々の手法として提案されてきました。Generalized Riesz Regression は、両者を Bregman ダイバージェンスの選び方の違いとして統一します。
この統一からは、二つの性質が導かれます。ダイバージェンスとモデルの組み合わせを適切に選ぶと、推定された representer が共変量のモーメントを自動的に揃え（automatic covariate balancing）、さらに回帰関数を推定しなくても Neyman 直交性が成り立ちます（automatic Neyman orthogonalization）。後者は、デバイアス機械学習と標的最尤推定（TMLE）の関係を整理する手がかりにもなります。密度比推定との対応もこの枠組みの中に位置づけられ、密度比推定のページで説明する一連の研究とつながります。
ソフトウェア genriesz
genriesz は、この枠組みを実装した Python パッケージです。推定したい汎関数と representer のモデル、Bregman ダイバージェンスを指定すると、バランシングの最適性条件を満たすようにリンク関数を自動で構成し、cross-fitting を含む推定と統計的推論を実行します。使い方はドキュメントにまとめています。平均処置効果のほか、処置群での効果や限界効果の推定にも使えます。
研究の系列
- 2026年
- ScoreMatchingRiesz: Score Matching for Debiased Machine Learning and Policy Path Estimation（ICML 2026）。スコアマッチングによる representer 推定への拡張。
- 2026年
- Covariate Balancing and Riesz Regression Should Be Guided by the Neyman Orthogonal Score in Debiased Machine Learning。バランシングと Riesz regression の設計を Neyman 直交スコアから導くべきだと論じた研究。
- 2026年
- Prediction-Powered Causal Inference by Automatic Debiased Machine Learning and Semi-Supervised Riesz Regression。予測モデルの出力を利用する因果推論への展開。
- 2025年
- Riesz Regression As Direct Density Ratio Estimation。Riesz regression と密度比推定の同値性を示した研究。
- 2025年
- Nearest Neighbor Matching as Least Squares Density Ratio Estimation and Riesz Regression。近傍マッチングをこの枠組みに位置づけた研究。
- 2025年
- Direct Bias-Correction Term Estimation for Average Treatment Effect Estimation。平均処置効果のバイアス補正項を直接推定する研究。
先行研究との関係
機械学習と直交スコアで因果効果を推定するデバイアス機械学習は、Chernozhukov らが確立しました（2018年、Double/debiased machine learning for treatment and structural parameters）。補正項を回帰として直接推定する Riesz regression も同じグループの提案です（2024年、Automatic Debiased Machine Learning via Riesz Regression）。一方、傾向スコアの代わりに共変量のバランスを直接取る方法は Imai と Ratkovic の共変量バランシング傾向スコア（2014年、Covariate Balancing Propensity Score）が代表的で、補正を推定に組み込む別の道筋として標的最尤推定（van der Laan and Rubin, 2006, Targeted Maximum Likelihood Learning）があります。Generalized Riesz Regression は、これらの手法を Bregman ダイバージェンスの選択という一つの軸の上に並べ、互いの関係を明らかにする枠組みです。