論文の概要: Causal Inference under Networked Interference and Intervention Policy Enhancement

• arxiv url: http://arxiv.org/abs/2002.08506v2
• Date: Tue, 4 May 2021 10:58:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 07:16:55.229527
• Title: Causal Inference under Networked Interference and Intervention Policy Enhancement
• Title（参考訳）: ネットワーク干渉による因果推論と介入政策の強化
• Authors: Yunpu Ma and Volker Tresp
• Abstract要約: ランダム化実験のデータから個々の治療効果を推定することは因果推論において重要な課題である。 通常、ランダム化実験や相互接続された単位による観測実験では、干渉下でのみ治療反応を観察することができる。 本稿では,グラフの依存性を捕捉する強力なツールであるGNNを用いて,一般的なネットワーク干渉下での因果効果の推定について検討する。
• 参考スコア（独自算出の注目度）: 35.149125599812706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating individual treatment effects from data of randomized experiments is a critical task in causal inference. The Stable Unit Treatment Value Assumption (SUTVA) is usually made in causal inference. However, interference can introduce bias when the assigned treatment on one unit affects the potential outcomes of the neighboring units. This interference phenomenon is known as spillover effect in economics or peer effect in social science. Usually, in randomized experiments or observational studies with interconnected units, one can only observe treatment responses under interference. Hence, how to estimate the superimposed causal effect and recover the individual treatment effect in the presence of interference becomes a challenging task in causal inference. In this work, we study causal effect estimation under general network interference using GNNs, which are powerful tools for capturing the dependency in the graph. After deriving causal effect estimators, we further study intervention policy improvement on the graph under capacity constraint. We give policy regret bounds under network interference and treatment capacity constraint. Furthermore, a heuristic graph structure-dependent error bound for GNN-based causal estimators is provided.
• Abstract（参考訳）: ランダム化実験のデータから個々の治療効果を推定することは因果推論において重要な課題である。 安定単位処理値推定(SUTVA)は通常、因果推論で行われる。 しかし、一方のユニットに割り当てられた処理が隣接するユニットの潜在的な結果に影響を及ぼすと、干渉はバイアスをもたらす可能性がある。 この干渉現象は経済学におけるスプリンクラー効果や社会科学におけるピア効果として知られている。 通常、ランダム化実験や相互接続ユニットを用いた観察研究では、干渉下でのみ治療反応を観察できる。 したがって、因果推論において、重畳因果効果を推定し、干渉の存在下で個々の治療効果を回復する方法が課題となる。 本研究では,グラフの依存性を捉える強力なツールであるGNNを用いて,一般的なネットワーク干渉による因果効果の推定を行う。 因果効果推定器の導出後,キャパシティ制約下でのグラフの介入政策改善について検討する。 ネットワークの干渉と処理能力の制約により、ポリシーを後悔する。 さらに、GNNに基づく因果推定器のヒューリスティックグラフ構造依存誤差を提供する。

関連論文リスト

• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
  本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。 我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T18:00:51Z)
• Estimating Direct and Indirect Causal Effects of Spatiotemporal Interventions in Presence of Spatial Interference [0.46052594866569146]
  まず, 空間干渉の概念を, 未測定条件を仮定して拡張することで, 時間変化による治療結果に対する空間干渉の概念を拡張した。 次に、時間的因果推論のための深層学習に基づく潜在的結果モデルを提案する。 U-Netアーキテクチャのパワーを利用して、時間とともに空間的干渉を捉えながら、時間変化による干渉を低減するために潜時因子モデリングを利用する。
  論文  参考訳（メタデータ） (2024-05-13T20:39:27Z)
• Inferring Individual Direct Causal Effects Under Heterogeneous Peer Influence [10.609670658904562]
  ネットワークにおける因果推論は、ユニットの結果がピアの治療や結果に影響された場合に発生する干渉を考慮に入れなければならない。 本稿では,ネットワーク構造,干渉条件,因果依存性に関する様々な仮定を捉えることができるネットワークの構造因果モデルを提案する。 因果モデルを用いて、潜在的な異種コンテキストを見つけ、個別の因果効果を推定する新しいグラフニューラルネットワークに基づく推定器を提案する。
  論文  参考訳（メタデータ） (2023-05-27T13:57:26Z)
• Neighborhood Adaptive Estimators for Causal Inference under Network Interference [152.4519491244279]
  我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。 干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。 このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
  論文  参考訳（メタデータ） (2022-12-07T14:53:47Z)
• Learning Individual Treatment Effects under Heterogeneous Interference in Networks [34.16062968227468]
  ネットワーク観測データによる個々の治療効果の推定が注目されている。 ネットワークシナリオにおける大きな課題の1つは、安定した単位処理値の仮定に違反していることである。 本稿では,注目重みを同時に学習するDWRアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-25T15:00:05Z)
• Disentangling Causal Effects from Sets of Interventions in the Presence of Unobserved Confounders [19.32843499761667]
  我々は,観察データと介入セットの両方から,単一介入の効果を学習することを目的とする。 異なるレシスタンスからデータをプールすることで因果モデルパラメータを学習するアルゴリズムを提案する。 本手法の有効性は,合成データと実世界のデータの両方で実証的に実証された。
  論文  参考訳（メタデータ） (2022-10-11T13:42:36Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。