論文の概要: Causal Message Passing for Experiments with Unknown and General Network Interference

• arxiv url: http://arxiv.org/abs/2311.08340v3
• Date: Sat, 05 Oct 2024 20:28:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 13:11:30.973735
• Title: Causal Message Passing for Experiments with Unknown and General Network Interference
• Title（参考訳）: 未知および一般ネットワーク干渉実験のための因果メッセージパッシング
• Authors: Sadegh Shirani, Mohsen Bayati,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.294604210205507
• License:
• 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, termed causal message-passing, is grounded in high-dimensional approximate message passing methodology. It is tailored for multi-period experiments and is particularly effective in settings with many units and prevalent network interference. The framework models causal effects as a dynamic process where a treated unit's impact propagates through the network via neighboring units until equilibrium is reached. This approach allows us to approximate the dynamics of potential outcomes over time, enabling the extraction of valuable information before treatment effects reach equilibrium. Utilizing causal message-passing, we introduce a practical algorithm to estimate the total treatment effect, defined as the impact observed when all units are treated compared to the scenario where no unit receives treatment. We demonstrate the effectiveness of this approach across five numerical scenarios, each characterized by a distinct 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つの単位の処理がその結果だけでなく、連結単位の処理にも影響し、従来の処理効果の推定に偏っているときに起こる。 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。 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。 これは多周期実験に特化しており、多くのユニットとネットワーク干渉による設定に特に有効である。 このフレームワークは、平衡に達するまで、処理されたユニットのインパクトが隣ユニットを介してネットワークを介して伝播する動的なプロセスとして因果効果をモデル化する。 このアプローチにより、時間とともに潜在的な結果のダイナミクスを近似することができ、治療効果が平衡に達する前に貴重な情報を抽出することができる。 因果的メッセージパッシングを利用して,全てのユニットが治療を受けないシナリオと比較して,すべてのユニットが治療を受けた場合に観察される影響として定義される総治療効果を推定する実用的なアルゴリズムを導入する。 本手法の有効性を5つの数値シナリオで示し,それぞれに異なる干渉構造を特徴付ける。

関連論文リスト

• 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)
• 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)
• Model-Based Inference and Experimental Design for Interference Using Partial Network Data [4.76518127830168]
  本稿では,部分的ネットワークデータを用いた治療効果調整の評価と推定のためのフレームワークを提案する。 部分的ネットワークデータのみを用いて治療を割り当てる手順を説明する。 本研究では,インドとマラウイにおける情報拡散と観測グラフのシミュレーション実験によるアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-17T17:27:18Z)
• 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)
• A Reinforcement Learning Framework for Dynamic Mediation Analysis [16.284199152492487]
  無限地平線設定における動的媒介効果を評価するための強化学習フレームワークを提案する。 平均治療効果を即時直接効果、即時媒介効果、遅延直接効果、遅延媒介効果に分解する。 我々はこれらの因果効果を推定するために、RLフレームワークの下で頑健で半パラメトリックで効率的な推定器を開発する。
  論文  参考訳（メタデータ） (2023-01-31T00:50:05Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• 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)
• Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
  A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。 オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。 異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
  論文  参考訳（メタデータ） (2022-10-15T17:15:51Z)
• 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。