論文の概要: Contagion Effect Estimation Using Proximal Embeddings
- arxiv url: http://arxiv.org/abs/2306.02479v3
- Date: Tue, 17 Oct 2023 23:42:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 20:13:01.448394
- Title: Contagion Effect Estimation Using Proximal Embeddings
- Title(参考訳): 近位埋め込みを用いた感染効果推定
- Authors: Zahra Fatemi, Elena Zheleva
- Abstract要約: 感染効果は、ソーシャルネットワークにおける個人の結果に対する仲間の行動の因果効果を指す。
既存のプロキシベースの感染効果推定法は、プロキシが高次元である場合、非常に高いばらつきを持つ。
本稿では,変分オートエンコーダと対向ネットワークを統合した新しいフレームワーク Proximal Embeddings (ProEmb) を提案する。
- 参考スコア(独自算出の注目度): 17.483428990993744
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Contagion effect refers to the causal effect of peers' behavior on the
outcome of an individual in social networks. Contagion can be confounded due to
latent homophily which makes contagion effect estimation very hard: nodes in a
homophilic network tend to have ties to peers with similar attributes and can
behave similarly without influencing one another. One way to account for latent
homophily is by considering proxies for the unobserved confounders. However, as
we demonstrate in this paper, existing proxy-based methods for contagion effect
estimation have a very high variance when the proxies are high-dimensional. To
address this issue, we introduce a novel framework, Proximal Embeddings
(ProEmb), that integrates variational autoencoders with adversarial networks to
create low-dimensional representations of high-dimensional proxies and help
with identifying contagion effects. While VAEs have been used previously for
representation learning in causal inference, a novel aspect of our approach is
the additional component of adversarial networks to balance the representations
of different treatment groups, which is essential in causal inference from
observational data where these groups typically come from different
distributions. We empirically show that our method significantly increases the
accuracy and reduces the variance of contagion effect estimation in
observational network data compared to state-of-the-art methods.
- Abstract(参考訳): 感染効果とは、ソーシャルネットワークにおける個人の結果に対する仲間の行動の因果的影響を指す。
伝染性ネットワークのノードは類似した属性を持つピアと結びつく傾向があり、相互に影響を及ぼさずに同じように振る舞うことができる。
遅延ホモフィリーを説明する一つの方法は、観測されていない共同設立者のプロキシを検討することである。
しかし,本論文で示すように,感染効果推定のための既存のプロキシベース手法は,プロキシが高次元である場合,非常に大きなばらつきがある。
この問題に対処するため,高次元プロキシの低次元表現を作成するために,変分オートエンコーダと対向ネットワークを統合し,感染効果の同定を支援する新しいフレームワークProEmbを紹介した。
VAEは従来,因果推論における表現学習に用いられてきたが,本手法の新たな側面は,異なる処理群の表現のバランスをとるための敵ネットワークの付加的な構成要素であり,これら群が典型的に異なる分布から生じる観測データから因果推論に必須である。
実験により,本手法は精度を著しく向上し,観測ネットワークデータにおける感染効果推定のばらつきを低減する。
関連論文リスト
- Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳(メタデータ) (2022-11-09T14:48:13Z) - Adversarial contamination of networks in the setting of vertex
nomination: a new trimming method [5.915837770869619]
スペクトルグラフの埋め込みは、アルゴリズムの性能とフレキシブルな設定を提供する。
ブロック構造汚染とホワイトノイズ汚染の両方に対処できるモデル空間で動作する新しいトリミング法を提案する。
このモデルトリミングは理論解析に適しており、多くのシミュレーションにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2022-08-20T15:32:04Z) - How Tempering Fixes Data Augmentation in Bayesian Neural Networks [22.188535244056016]
テンパリングは、拡張のモデリングから生じる誤特定を暗黙的に減らし、すなわちデータとして示す。
温度は有効サンプルサイズの役割を模倣し、増強によって提供される情報の利得を反映している。
論文 参考訳(メタデータ) (2022-05-27T11:06:56Z) - Using Embeddings for Causal Estimation of Peer Influence in Social
Networks [12.971519813535734]
我々は、ピア感染効果を推定するために観測データを使用するという問題に対処する。
この効果の同定と推定に組込み法をどのように利用できるかを示す。
論文 参考訳(メタデータ) (2022-05-17T00:22:56Z) - Harnessing Perceptual Adversarial Patches for Crowd Counting [92.79051296850405]
群衆のカウントは、物理的な世界の敵の例に弱い。
本稿では,モデル間での知覚的特徴の共有を学習するためのPAP(Perceptual Adrial Patch)生成フレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-16T13:51:39Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳(メタデータ) (2021-07-26T10:40:59Z) - 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) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳(メタデータ) (2021-04-12T18:50:11Z) - Modelling Heterogeneity Using Bayesian Structured Sparsity [0.0]
観察間で異なる変数の効果を推定する方法は、政治科学において重要な問題です。
本稿では,複雑な現象(同様の現象を離散群に展開する観測)を回帰分析に組み込む共通の方法を提案する。
論文 参考訳(メタデータ) (2021-03-29T19:54:25Z) - Understanding Adversarial Examples from the Mutual Influence of Images
and Perturbations [83.60161052867534]
クリーンな画像と敵の摂動を遠ざけることで敵の例を分析し,その相互への影響を分析した。
以上の結果から,画像と普遍摂動の関係に対する新たな視点が示唆された。
我々は、オリジナルトレーニングデータを活用することなく、目標とするユニバーサルアタックの挑戦的なタスクを最初に達成した人物です。
論文 参考訳(メタデータ) (2020-07-13T05:00:09Z)
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。