論文の概要: Learning Causal Effects on Hypergraphs

• arxiv url: http://arxiv.org/abs/2207.04049v1
• Date: Thu, 7 Jul 2022 23:14:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-12 12:58:29.506665
• Title: Learning Causal Effects on Hypergraphs
• Title（参考訳）: ハイパーグラフに対する因果効果の学習
• Authors: Jing Ma, Mengting Wan, Longqi Yang, Jundong Li, Brent Hecht, Jaime Teevan
• Abstract要約: 我々は因果性の観点からハイパーグラフを研究する。 本研究では,高次干渉モデルについて検討し,ハイパーグラフニューラルネットワークを用いた新たな因果学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 33.41001768564952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hypergraphs provide an effective abstraction for modeling multi-way group interactions among nodes, where each hyperedge can connect any number of nodes. Different from most existing studies which leverage statistical dependencies, we study hypergraphs from the perspective of causality. Specifically, in this paper, we focus on the problem of individual treatment effect (ITE) estimation on hypergraphs, aiming to estimate how much an intervention (e.g., wearing face covering) would causally affect an outcome (e.g., COVID-19 infection) of each individual node. Existing works on ITE estimation either assume that the outcome on one individual should not be influenced by the treatment assignments on other individuals (i.e., no interference), or assume the interference only exists between pairs of connected individuals in an ordinary graph. We argue that these assumptions can be unrealistic on real-world hypergraphs, where higher-order interference can affect the ultimate ITE estimations due to the presence of group interactions. In this work, we investigate high-order interference modeling, and propose a new causality learning framework powered by hypergraph neural networks. Extensive experiments on real-world hypergraphs verify the superiority of our framework over existing baselines.
• Abstract（参考訳）: ハイパーグラフはノード間のマルチウェイグループインタラクションをモデル化するための効果的な抽象化を提供する。 統計的依存関係を利用する既存の研究と異なり、因果性の観点からハイパーグラフを研究する。 具体的には、ハイパーグラフにおける個別治療効果(ITE)推定の問題に焦点を当て、介入(例えば、顔を覆う)が各ノードの結果(例えば、COVID-19感染)に因果的にどの程度影響するかを推定することを目的とした。 ITE推定に関する既存の研究は、ある個人に対する結果が他の個人に対する治療課題の影響を受けるべきでないと仮定するか(例えば、干渉がない)、あるいは通常のグラフ内の接続された個人のペアの間にのみ干渉が存在すると仮定する。 これらの仮定は、高次干渉がグループ間相互作用の存在による究極的ITT推定に影響を及ぼす現実世界のハイパーグラフ上では非現実的である。 本研究では,高次干渉モデルの検討を行い,ハイパーグラフニューラルネットワークを用いた新しい因果関係学習フレームワークを提案する。 実世界のハイパーグラフに関する広範囲な実験は、既存のベースラインよりもフレームワークが優れていることを検証します。

関連論文リスト

• Sample Efficient Bayesian Learning of Causal Graphs from Interventions [6.823521786512908]
  本研究では,限られた介入サンプルを用いた因果グラフ学習におけるベイズ的アプローチについて考察する。 我々は,提案アルゴリズムが真の因果グラフを高い確率で返すことを理論的に示す。 本稿では,このアルゴリズムを,グラフ全体を学習することなく,より一般的な因果問題にどう対応できるかを示すケーススタディを提案する。
  論文  参考訳（メタデータ） (2024-10-26T05:47:56Z)
• Influence Maximization in Hypergraphs Using A Genetic Algorithm with New Initialization and Evaluation Methods [6.315027378756443]
  インフルエンス(IM)は,実世界の複雑なネットワークを解析する上で重要な最適化課題である。 本稿では,ノード障害とハイパーエッジ障害の両方の影響を統合する新しいモデルを提案する。 次に、ハイパーグラフの集団的影響を利用する最も影響力のあるノードを特定するために遺伝的アルゴリズム(GA)を導入する。
  論文  参考訳（メタデータ） (2024-05-15T08:46:33Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• 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)
• DisenHCN: Disentangled Hypergraph Convolutional Networks for Spatiotemporal Activity Prediction [53.76601630407521]
  本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。 特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。 次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
  論文  参考訳（メタデータ） (2022-08-14T06:51:54Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• 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)

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。