論文の概要: Estimating Treatment Effects Under Heterogeneous Interference
- arxiv url: http://arxiv.org/abs/2309.13884v1
- Date: Mon, 25 Sep 2023 05:44:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 17:04:13.502405
- Title: Estimating Treatment Effects Under Heterogeneous Interference
- Title（参考訳）: 不均一干渉による治療効果の推定
- Authors: Xiaofeng Lin, Guoxi Zhang, Xiaotian Lu, Han Bao, Koh Takeuchi, Hisashi
Kashima
- Abstract要約: 本稿では,多様な近隣住民の情報を集約する新しいアーキテクチャを開発することにより,異種干渉をモデル化する新しい手法を提案する。
提案手法は,同一ビュー情報を集約するグラフニューラルネットワーク,異なるビューから情報を集約するメカニズム,注目メカニズムを含む。
- 参考スコア（独自算出の注目度）: 24.714971680893402
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Treatment effect estimation can assist in effective decision-making in
e-commerce, medicine, and education. One popular application of this estimation
lies in the prediction of the impact of a treatment (e.g., a promotion) on an
outcome (e.g., sales) of a particular unit (e.g., an item), known as the
individual treatment effect (ITE). In many online applications, the outcome of
a unit can be affected by the treatments of other units, as units are often
associated, which is referred to as interference. For example, on an online
shopping website, sales of an item will be influenced by an advertisement of
its co-purchased item. Prior studies have attempted to model interference to
estimate the ITE accurately, but they often assume a homogeneous interference,
i.e., relationships between units only have a single view. However, in
real-world applications, interference may be heterogeneous, with multi-view
relationships. For instance, the sale of an item is usually affected by the
treatment of its co-purchased and co-viewed items. We hypothesize that ITE
estimation will be inaccurate if this heterogeneous interference is not
properly modeled. Therefore, we propose a novel approach to model heterogeneous
interference by developing a new architecture to aggregate information from
diverse neighbors. Our proposed method contains graph neural networks that
aggregate same-view information, a mechanism that aggregates information from
different views, and attention mechanisms. In our experiments on multiple
datasets with heterogeneous interference, the proposed method significantly
outperforms existing methods for ITE estimation, confirming the importance of
modeling heterogeneous interference.
- Abstract（参考訳）: 治療効果の推定は、電子商取引、医療、教育における効果的な意思決定を支援する。
この推定の一般的な応用の一つは、個々の治療効果(ite)として知られる特定の単位(例えば、アイテム)の結果(販売)に対する治療(例えば、プロモーション)の影響を予測することである。
多くのオンラインアプリケーションにおいて、ユニットの結果は、他のユニットの処理によって影響を受けることがある。
例えば、オンラインショッピングウェブサイトでは、商品の販売は共同購入商品の広告に影響される。
以前の研究では、ITEを正確に推定するために干渉をモデル化しようとしたが、それらはしばしば均質な干渉を仮定する。
しかし、現実世界のアプリケーションでは、干渉は多視点関係を持つ異種である。
例えば、商品の販売は、通常、共同購入および共同閲覧のアイテムの扱いによって影響を受ける。
この異種干渉が適切にモデル化されていない場合、ite推定は不正確であると仮定する。
そこで本研究では,異種干渉をモデル化するための新しい手法を提案する。
提案手法は,同一視点情報を集約するグラフニューラルネットワーク,異なる視点から情報を集約する機構,注意機構を含む。
提案手法は,不均一干渉を持つ複数データセットを用いた実験において,既存の ite 推定法を著しく上回り,異種干渉のモデル化の重要性を確認した。
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) - 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) - 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) - 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) - Inferring Individual Direct Causal Effects Under Heterogeneous Peer Influence [10.609670658904562]
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,ネットワーク構造,干渉条件,因果依存性に関する様々な仮定を捉えることができ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見つけ、個別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。
論文 参考訳（メタデータ） (2023-05-27T13:57:26Z) - 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) - Learning Individual Treatment Effects under Heterogeneous Interference
in Networks [34.16062968227468]
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。
論文 参考訳（メタデータ） (2022-10-25T15:00:05Z) - Information Interaction Profile of Choice Adoption [2.9972063833424216]
相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。
相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。
ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
論文 参考訳（メタデータ） (2021-04-28T10:42:25Z) - Interference and Generalization in Temporal Difference Learning [86.31598155056035]
時間差学習における一般化と干渉の関係について検討する。
教師付き学習ではTDが容易に低干渉,低一般化パラメータにつながり,その効果は逆のように見える。
論文 参考訳（メタデータ） (2020-03-13T15:49:58Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳（メタデータ） (2020-03-02T15:21:20Z) - 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。