Abstract
Estimating distributional structures, such as density estimation and two-sample comparison, is
a fundamental task in data science. However, estimating high-dimensional distributions is widely
recognized as challenging due to the well-known curse of dimensionality. In the case of supervised
learning, where one needs to estimate an unknown function often defined on a high-dimensional
space, a common approach in statistics and machine learning is to introduce tree-based methods,
such as boosting, random forest, and Bayesian additive regression trees. These methods are known
to be effective for such challenging tasks with feasible computation costs. This presentation aims
to introduce their counterparts for unsupervised learning. We first introduce a new non-parametric
Bayesian model for learning distributions by generalizing the Polya tree process, which is originally
introduced for low-dimensional density estimation. We next propose a new way of combining
multiple tree-based learners in the manner of boosting for improved empirical performance.
This is joint work with Li Ma (Duke University).

要旨：有史以来、人間(ホモ・サピエンス)は都市を建設し、その都市は人口集中のるつぼであり続けてきた。都市は交易や統治の中心地でもあり、私たちに技術や文明や思想をもたらした半面、疫病の苗床として、収奪の拠点として、そしてストレスフルなライフスタイルを余儀なくされる空間でもあり続けた。このセミナー発表では、都市への人口集中がもたらす功と罪について、精神医学・進化生物学・社会学の観点から俯瞰したうえで、これからの人口集中・人口減少に際して乗り越えられるべき課題について議論を提示する。

【日時】
2025年1月11日（土）13:00～17:20（受付開始 12:30～）

【場所】
京都大学芝蘭会館・稲盛ホール（定員 200名）

【講演者】
・基調講演：「激動の世界と政策対応」
　神田 眞人　内閣官房参与
・講演：「地域での脱炭素と経済社会課題の同時解決を目指して」
　大森 恵子　環境省大臣官房地域脱炭素推進審議官
・講演：「社会関係資本と住民主体のまちづくり活動」
　要藤 正任　京都産業大学経済学部教授
・講演：「先端政策分析の意義：国際機関の現場から」
　八代 尚光　国際通貨基金シニアエコノミスト　※録画
・パネルディスカッション：「医学×社会科学による文理融合研究（Socio-Life Science）から政策を提起する」
　松田 文彦　京都大学医学研究科教授
　関根 仁博　産業技術総合研究所企画本部審議役
　井上 祐介　京都大学経済研究所先端政策分析研究センター特定准教授（コーディネーター）
・パネルディスカッション：「『社会実装』がSPI（science and policy interface）を切り拓く」
　松本 眞　尼崎市長
　大竹 文雄　京都大学経済研究所特定教授/ 大阪大学感染症総合教育研究拠点特任教授
　谷 直起　京都大学経済研究所先端政策分析研究センター特定准教授（コーディネーター）

【詳細】
聴講は無料（申込制）
プログラムの詳細・参加お申込みはこちら
Flyerはこちら

アブストラクト：While average treatment effects are a common focus in causal inference, such measures often mask important distributional characteristics of counterfactual outcomes. This work considers the estimation of counterfactual densities under continuous treatments, thereby allowing richer and more detailed insights into the effects of interventions. We propose a Neyman-orthogonal moment condition that treats the conditional outcome density and the generalized propensity score as nuisance parameters. Leveraging this orthogonality within a debiased machine learning (DML) framework ensures the asymptotic normality of the parameter of interest, even when employing flexible machine learning methods for nuisance estimation. However, two challenges arise in finite samples due to the structure of the proposed moment conditions. First, the double summation within the moment conditions makes standard cross-fitting approaches susceptible to poor estimation performance, especially in small- or medium-sized datasets. To address this, we derive theoretical conditions under which DML can be implemented without sample splitting, thus mitigating performance degradation. Second, the proposed moment conditions involve integral over the nuisance estimates, meaning numerical integration errors can negatively affect estimation accuracy. Hence, it is desirable to use nuisance estimators that allow for easy analytical integration. As an illustrative example, we employ random forests as the nuisance estimator to satisfy these two requirements. We demonstrate the effectiveness of the proposed method through simulation studies.