論文の概要: Learning Individual Treatment Effects under Heterogeneous Interference
in Networks
- arxiv url: http://arxiv.org/abs/2210.14080v2
- Date: Thu, 25 Jan 2024 12:11:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 19:04:34.804398
- Title: Learning Individual Treatment Effects under Heterogeneous Interference
in Networks
- Title（参考訳）: ネットワークにおける異種干渉による個別治療効果の学習
- Authors: Ziyu Zhao, Yuqi Bai, Kun Kuang, Ruoxuan Xiong, Fei Wu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 34.16062968227468
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimates of individual treatment effects from networked observational data
are attracting increasing attention these days. One major challenge in network
scenarios is the violation of the stable unit treatment value assumption
(SUTVA), which assumes that the treatment assignment of a unit does not
influence others' outcomes. In network data, due to interference, the outcome
of a unit is influenced not only by its treatment (i.e., direct effects) but
also by others' treatments (i.e., spillover effects). Furthermore, the
influences from other units are always heterogeneous (e.g., friends with
similar interests affect a person differently than friends with different
interests). In this paper, we focus on the problem of estimating individual
treatment effects (both direct and spillover effects) under heterogeneous
interference. To address this issue, we propose a novel Dual Weighting
Regression (DWR) algorithm by simultaneously learning attention weights that
capture the heterogeneous interference and sample weights to eliminate the
complex confounding bias in networks. We formulate the entire learning process
as a bi-level optimization problem. In theory, we present generalization error
bounds for individual treatment effect estimation. Extensive experiments on
four benchmark datasets demonstrate that the proposed DWR algorithm outperforms
state-of-the-art methods for estimating individual treatment effects under
heterogeneous interference.
- Abstract（参考訳）: 近年,ネットワーク観察データによる個別治療効果の推計が注目されている。
ネットワークシナリオにおける1つの大きな課題は、安定した単位処理値仮定(sutva: unit treatment value assumption)に違反することである。
ネットワークデータでは、干渉により、ユニットの成果は、その処理(すなわち、直接効果)だけでなく、他人の処理(すなわち、スプリンクラー効果)にも影響される。
さらに、他のユニットからの影響は常に異質である(例えば、類似した興味を持つ友人は異なる興味を持つ友人とは異なる人に影響する)。
本稿では,不均一干渉下での個々の治療効果(直接効果と流出効果の両方)を推定する問題に着目する。
そこで本研究では,ネットワークの複雑な重み付けバイアスを解消するために,異種干渉とサンプル重みを同時に捉えた注意重みを学習し,新しい二重重み付け回帰(dwr)アルゴリズムを提案する。
学習過程全体を二段階最適化問題として定式化する。
理論上,個別処理効果推定のための一般化誤差境界を提案する。
4つのベンチマークデータセットに対する大規模な実験により、提案したDWRアルゴリズムは、異種干渉下での個々の治療効果を推定するための最先端の手法より優れていることが示された。
関連論文リスト
- 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) - Integrating Active Learning in Causal Inference with Interference: A
Novel Approach in Online Experiments [5.488412825534217]
ACI(Causal Inference with Interference)におけるアクティブラーニング手法について紹介する。
ACIはガウス過程を用いて、隣人の治療課題の連続的な測定の関数として直接的および余分な処理効果を柔軟にモデル化する。
データ要求の低減による精度の高い効果推定の実現可能性を示す。
論文 参考訳（メタデータ） (2024-02-20T04:13:59Z) - Causal Message Passing for Experiments with Unknown and General Network Interference [5.294604210205507]
複雑で未知のネットワーク干渉に対応する新しいフレームワークを提案する。
我々のフレームワークは因果的メッセージパッシングと呼ばれ、高次元近似的メッセージパッシング手法に基づいている。
本手法の有効性を5つの数値シナリオで示す。
論文 参考訳（メタデータ） (2023-11-14T17:31:50Z) - The Blessings of Multiple Treatments and Outcomes in Treatment Effect
Estimation [53.81860494566915]
既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。
多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。
この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
論文 参考訳（メタデータ） (2023-09-29T14:33:48Z) - 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) - 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) - Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。
これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。
本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-12T09:50:42Z) - Causal Inference under Networked Interference and Intervention Policy
Enhancement [35.149125599812706]
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。
論文 参考訳（メタデータ） (2020-02-20T00:35:50Z) - 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。