論文の概要: Integrating Active Learning in Causal Inference with Interference: A
Novel Approach in Online Experiments
- arxiv url: http://arxiv.org/abs/2402.12710v1
- Date: Tue, 20 Feb 2024 04:13:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 17:11:10.187331
- Title: Integrating Active Learning in Causal Inference with Interference: A
Novel Approach in Online Experiments
- Title（参考訳）: 因果推論と干渉におけるアクティブラーニングの統合:オンライン実験における新しいアプローチ
- Authors: Hongtao Zhu, Sizhe Zhang, Yang Su, Zhenyu Zhao, Nan Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.488412825534217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the domain of causal inference research, the prevalent potential outcomes
framework, notably the Rubin Causal Model (RCM), often overlooks individual
interference and assumes independent treatment effects. This assumption,
however, is frequently misaligned with the intricate realities of real-world
scenarios, where interference is not merely a possibility but a common
occurrence. Our research endeavors to address this discrepancy by focusing on
the estimation of direct and spillover treatment effects under two assumptions:
(1) network-based interference, where treatments on neighbors within connected
networks affect one's outcomes, and (2) non-random treatment assignments
influenced by confounders. To improve the efficiency of estimating potentially
complex effects functions, we introduce an novel active learning approach:
Active Learning in Causal Inference with Interference (ACI). This approach uses
Gaussian process to flexibly model the direct and spillover treatment effects
as a function of a continuous measure of neighbors' treatment assignment. The
ACI framework sequentially identifies the experimental settings that demand
further data. It further optimizes the treatment assignments under the network
interference structure using genetic algorithms to achieve efficient learning
outcome. By applying our method to simulation data and a Tencent game dataset,
we demonstrate its feasibility in achieving accurate effects estimations with
reduced data requirements. This ACI approach marks a significant advancement in
the realm of data efficiency for causal inference, offering a robust and
efficient alternative to traditional methodologies, particularly in scenarios
characterized by complex interference patterns.
- Abstract（参考訳）: 因果推論研究の領域では、一般的な潜在的な結果の枠組み、特にルービン因果モデル(rcm)は、しばしば個々の干渉を見落とし、独立した治療効果を仮定する。
しかし、この仮定はしばしば現実のシナリオの複雑な現実と一致しておらず、干渉は単なる可能性ではなく、よくある出来事である。
本研究は,(1)ネットワークベースの干渉,(2)ネットワーク内の隣人に対する治療が結果に影響を及ぼすネットワークベースの干渉,(2)共同設立者の影響を受けない非ランダムな治療課題,の2つの前提の下での直接的治療効果と余剰治療効果の評価に焦点をあてる。
潜在的に複雑な効果関数を推定する効率を改善するために、我々は新しいアクティブラーニングアプローチ、すなわち、因果推論におけるアクティブラーニング(ACI)を導入する。
このアプローチはガウス過程を用いて、隣人の処理課題の連続的な測定の関数として直接的および余剰な処理効果を柔軟にモデル化する。
ACIフレームワークは、さらなるデータを要求する実験的な設定を順次識別する。
さらに、遺伝的アルゴリズムを用いてネットワーク干渉構造下での処理課題を最適化し、効率的な学習結果を得る。
データとTencentゲームデータセットのシミュレーションに本手法を適用し,データ要求の低減による正確な効果推定の実現可能性を示した。
このACIアプローチは、特に複雑な干渉パターンを特徴とするシナリオにおいて、従来の方法論に対する堅牢で効率的な代替手段を提供する、因果推論のためのデータ効率の領域において、著しい進歩を示す。
関連論文リスト
- 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) - Estimating Direct and Indirect Causal Effects of Spatiotemporal Interventions in Presence of Spatial Interference [0.46052594866569146]
まず, 空間干渉の概念を, 未測定条件を仮定して拡張することで, 時間変化による治療結果に対する空間干渉の概念を拡張した。
次に、時間的因果推論のための深層学習に基づく潜在的結果モデルを提案する。
U-Netアーキテクチャのパワーを利用して、時間とともに空間的干渉を捉えながら、時間変化による干渉を低減するために潜時因子モデリングを利用する。
論文 参考訳（メタデータ） (2024-05-13T20:39:27Z) - 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) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳（メタデータ） (2023-07-11T02:58:10Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - 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) - Active Learning for Optimal Intervention Design in Causal Models [11.294389953686945]
本研究は、最適介入を特定するための因果的アクティブラーニング戦略を開発し、分布のインターベンショナル平均と所望の目標平均との相違によって測定した。
本研究では、Perturb-CITE-seq実験から得られた合成データと単細胞転写データの両方にアプローチを適用し、特定の細胞状態遷移を誘導する最適な摂動を同定する。
論文 参考訳（メタデータ） (2022-09-10T20:40:30Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - 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)
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。