論文の概要: Causal Message Passing: A Method for Experiments with Unknown and
General Network Interference
- arxiv url: http://arxiv.org/abs/2311.08340v1
- Date: Tue, 14 Nov 2023 17:31:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 13:15:31.129955
- Title: Causal Message Passing: A Method for Experiments with Unknown and
General Network Interference
- Title(参考訳): 因果的メッセージパッシング:未知および一般ネットワーク干渉実験のための方法
- Authors: Sadegh Shirani, Mohsen Bayati
- Abstract要約: 本研究では,複雑で未知のネットワーク干渉に対応する新しい枠組みを提案する。
本稿では,全処理効果を推定し,その効果を4つの数値シナリオで示すための実用的なアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 6.2548734896918505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Randomized experiments are a powerful methodology for data-driven evaluation
of decisions or interventions. Yet, their validity may be undermined by network
interference. This occurs when the treatment of one unit impacts not only its
outcome but also that of connected units, biasing traditional treatment effect
estimations. Our study introduces a new framework to accommodate complex and
unknown network interference, moving beyond specialized models in the existing
literature. Our framework, which we term causal message-passing, is grounded in
a high-dimensional approximate message passing methodology and is specifically
tailored to experimental design settings with prevalent network interference.
Utilizing causal message-passing, we present a practical algorithm for
estimating the total treatment effect and demonstrate its efficacy in four
numerical scenarios, each with its unique interference structure.
- Abstract(参考訳): ランダム化実験は、データ駆動による意思決定や介入の評価のための強力な方法論である。
しかし、その妥当性はネットワーク干渉によって損なわれる可能性がある。
これは、1つのユニットの処理がその結果だけでなく、連結ユニットの処理にも影響を及ぼすときに起こり、従来の治療効果の推定をバイアスする。
本研究は,既存の文献における特殊なモデルを超えて,複雑で未知のネットワーク干渉に対応する新しい枠組みを提案する。
因果的メッセージパッシング(causal message-passing)と呼ぶこのフレームワークは,高次元近似メッセージパッシング手法に基礎を置き,ネットワーク干渉が一般的である実験的な設計設定に特化している。
因果的メッセージパッシングを用いて, 全処理効果を推定し, それぞれに固有の干渉構造を持つ4つの数値シナリオで有効性を示す実用的なアルゴリズムを提案する。
関連論文リスト
- 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) - 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) - 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) - CausalBench: A Large-scale Benchmark for Network Inference from
Single-cell Perturbation Data [61.088705993848606]
本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。
CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
論文 参考訳(メタデータ) (2022-10-31T13:04:07Z) - 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) - 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) - 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) - 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) - Nonparametric inference for interventional effects with multiple
mediators [0.0]
より柔軟で、おそらく機械学習に基づく推定技術を可能にする理論を提供する。
提案した推定器の複数のロバスト性特性を示す。
本研究は, 介入媒介効果の推定において, 最新の統計的学習手法を活用する手段を提供する。
論文 参考訳(メタデータ) (2020-01-16T19:05:00Z)
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。