論文の概要: Network Synthetic Interventions: A Causal Framework for Panel Data Under Network Interference

• arxiv url: http://arxiv.org/abs/2210.11355v2
• Date: Thu, 12 Oct 2023 00:21:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 04:33:42.172355
• Title: Network Synthetic Interventions: A Causal Framework for Panel Data Under Network Interference
• Title（参考訳）: ネットワーク合成介入:ネットワーク干渉下におけるパネルデータの因果的枠組み
• Authors: Anish Agarwal, Sarah H. Cen, Devavrat Shah, Christina Lee Yu
• Abstract要約: 本研究では, パネルデータから, 単位間の流出の有無, 観測不能な埋没の有無を推定する。 我々のアプローチの鍵は、ネットワークの干渉を考慮して、パネルデータ設定で一般的に使用される因子モデルを一般化する新しい潜在因子モデルである。
• 参考スコア（独自算出の注目度）: 23.718967111004964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a generalization of the synthetic controls and synthetic interventions methodology to incorporate network interference. We consider the estimation of unit-specific potential outcomes from panel data in the presence of spillover across units and unobserved confounding. Key to our approach is a novel latent factor model that takes into account network interference and generalizes the factor models typically used in panel data settings. We propose an estimator, Network Synthetic Interventions (NSI), and show that it consistently estimates the mean outcomes for a unit under an arbitrary set of counterfactual treatments for the network. We further establish that the estimator is asymptotically normal. We furnish two validity tests for whether the NSI estimator reliably generalizes to produce accurate counterfactual estimates. We provide a novel graph-based experiment design that guarantees the NSI estimator produces accurate counterfactual estimates, and also analyze the sample complexity of the proposed design. We conclude with simulations that corroborate our theoretical findings.
• Abstract（参考訳）: 本稿では,ネットワーク干渉を組み込むための合成制御と合成介入手法の一般化を提案する。 本研究では, パネルデータから, 単位間の流出の有無と観測不能な共起の有無を推定する。 我々のアプローチの鍵は、ネットワーク干渉を考慮した新しい潜在因子モデルであり、パネルデータ設定で一般的に使用される因子モデルを一般化する。 本稿では,ネットワーク合成介入 (nsi) を推定し, ネットワークに対する任意の対物処理群において, ユニットの平均結果が一貫して推定されることを示す。 さらに,推定器が漸近的に正常であることを示す。 NSI推定器が確実に一般化して正確な反事実推定を行うかどうかの2つの妥当性試験を行う。 我々は,NSI推定器が正確な反事実推定を行うことを保証し,提案設計の複雑さを解析する新しいグラフベースの実験設計を提案する。 理論的知見を裏付けるシミュレーションで結論付ける。

関連論文リスト

• Network Causal Effect Estimation In Graphical Models Of Contagion And Latent Confounding [2.654975444537834]
  多くのネットワーク研究の鍵となる疑問は、観測された単位間の相関は、主に感染や潜伏によるものであるかである。 ネットワーク因果効果の推定手法を提案する。 実世界のネットワークを用いて,合成データによる手法の有効性と仮定の有効性を評価する。
  論文  参考訳（メタデータ） (2024-11-02T22:12:44Z)
• Model-Based Inference and Experimental Design for Interference Using Partial Network Data [4.76518127830168]
  本稿では,部分的ネットワークデータを用いた治療効果調整の評価と推定のためのフレームワークを提案する。 部分的ネットワークデータのみを用いて治療を割り当てる手順を説明する。 本研究では,インドとマラウイにおける情報拡散と観測グラフのシミュレーション実験によるアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-17T17:27:18Z)
• Doubly Robust Causal Effect Estimation under Networked Interference via Targeted Learning [24.63284452991301]
  ネットワーク干渉下での2つの頑健な因果効果推定器を提案する。 具体的には,対象とする学習手法をネットワーク干渉設定に一般化する。 我々は、同定された理論条件を目標損失に変換することによって、エンドツーエンドの因果効果推定器を考案する。
  論文  参考訳（メタデータ） (2024-05-06T10:49:51Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Generalization analysis of an unfolding network for analysis-based Compressed Sensing [27.53377180094267]
  展開ネットワークは、圧縮センシング(CS)分野において有望な結果を示している。 本稿では,最先端ADMMに基づく展開ネットワークの一般化解析を行う。
  論文  参考訳（メタデータ） (2023-03-09T21:13:32Z)
• Pitfalls of Climate Network Construction: A Statistical Perspective [13.623860700196625]
  球面上の時間依存等方性確率場をシミュレートし,共通ネットワーク構築手法を適用した。 推定手順から生じる不確実性が,ネットワーク特性に大きく影響を与える方法がいくつか見出された。
  論文  参考訳（メタデータ） (2022-11-05T11:59:55Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)
• Distribution Approximation and Statistical Estimation Guarantees of Generative Adversarial Networks [82.61546580149427]
  GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。 本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
  論文  参考訳（メタデータ） (2020-02-10T16:47:57Z)

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。