論文の概要: Inferring Causal Effects Under Heterogeneous Peer Influence

• arxiv url: http://arxiv.org/abs/2305.17479v1
• Date: Sat, 27 May 2023 13:57:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 18:56:57.766103
• Title: Inferring Causal Effects Under Heterogeneous Peer Influence
• Title（参考訳）: 不均一な相互影響下で因果効果を推測する
• Authors: Shishir Adhikari, Elena Zheleva
• Abstract要約: 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、異質なピアの影響が存在する場合の個々の因果効果を推定する手法を提案する。
• 参考スコア（独自算出の注目度）: 10.127456032874978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference in networks should account for interference, which occurs when a unit's outcome is influenced by treatments or outcomes of peers. There can be heterogeneous peer influence between units when a unit's outcome is subjected to variable influence from different peers based on their attributes and relationships, or when each unit has a different susceptibility to peer influence. Existing solutions to causal inference under interference consider either homogeneous influence from peers or specific heterogeneous influence mechanisms (e.g., based on local neighborhood structure). This paper presents a methodology for estimating individual causal effects in the presence of heterogeneous peer influence due to arbitrary mechanisms. We propose a structural causal model for networks that can capture arbitrary assumptions about network structure, interference conditions, and causal dependence. We identify potential heterogeneous contexts using the causal model and propose a novel graph neural network-based estimator to estimate individual causal effects. We show that existing state-of-the-art methods for individual causal effect estimation produce biased results in the presence of heterogeneous peer influence, and that our proposed estimator is robust.
• Abstract（参考訳）: 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処置や結果に影響されたときに発生する干渉を考慮すべきである。 ユニットの成果がそれぞれの属性や関係に基づいて異なるピアから異なる影響を受ける場合や、各ユニットがピア影響に対して異なる感受性を持つ場合、ユニット間で異質なピア影響が生じる可能性がある。 干渉下での因果推論の既存の解は、ピアからの均質な影響または特定の異質な影響機構(例えば、局所的な近傍構造に基づく)を考察する。 本稿では、任意メカニズムによる異種ピアの影響の有無の個人因果効果を推定する手法を提案する。 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任意の仮定を捉え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特定し、個々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。 個別因果効果推定のための既存の最先端手法は,異質な相互影響の存在下で偏りのある結果をもたらし,提案手法はロバストであることを示す。

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)
• 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)
• Estimating Peer Direct and Indirect Effects in Observational Network Data [16.006409149421515]
  本稿では、ピア直接効果とピア間接効果の両方を考慮し、個人自身の治療の効果を考慮に入れた一般的な設定を提案する。 注意機構を用いて、異なる隣人の影響を識別し、グラフニューラルネットワークによる高次隣人効果を探索する。 理論的には,ネットワークシステムにおける介入戦略を改善する可能性があり,ソーシャルネットワークや疫学などの分野にも応用できる。
  論文  参考訳（メタデータ） (2024-08-21T10:02:05Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• 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)
• Disentangled Representation for Causal Mediation Analysis [25.114619307838602]
  因果媒介分析(英: Causal mediation analysis)は、直接的および間接的な効果を明らかにするためにしばしば用いられる方法である。 深層学習はメディエーション分析において有望であるが、現在の手法では、治療、メディエーター、結果に同時に影響を及ぼす潜在的共同創設者のみを前提としている。 そこで本研究では,助成金の表現を3つのタイプに分けて,自然的直接効果,自然間接効果,および全効果を正確に推定する,ディスタングル・メディエーション分析変分自動エンコーダ(DMAVAE)を提案する。
  論文  参考訳（メタデータ） (2023-02-19T23:37:17Z)
• Adversarial Robustness through the Lens of Causality [105.51753064807014]
  ディープニューラルネットワークの敵対的脆弱性は、機械学習において大きな注目を集めている。 我々は、因果関係を敵対的脆弱性の軽減に組み込むことを提案する。 我々の手法は、敵の脆弱性を緩和するために因果性を利用する最初の試みと見なすことができる。
  論文  参考訳（メタデータ） (2021-06-11T06:55:02Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Estimating Causal Effects with the Neural Autoregressive Density Estimator [6.59529078336196]
  我々は、Pearlのdo-calculusフレームワーク内の因果効果を推定するために、神経自己回帰密度推定器を使用する。 本手法は,変数間の相互作用を明示的にモデル化することなく,非線形システムから因果効果を抽出できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T13:12:38Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)
• 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)

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。