Fugu-MT 論文翻訳(概要): Graph Neural Network based Double Machine Learning Estimator of Network Causal Effects

論文の概要: Graph Neural Network based Double Machine Learning Estimator of Network Causal Effects

arxiv url: http://arxiv.org/abs/2403.11332v1
Date: Sun, 17 Mar 2024 20:23:42 GMT
ステータス: 処理完了
システム内更新日: 2024-03-19 17:27:03.146108
Title: Graph Neural Network based Double Machine Learning Estimator of Network Causal Effects
Title（参考訳）: グラフニューラルネットワークを用いたネットワーク因果効果の二重機械学習推定器
Authors: Seyedeh Baharan Khatami, Harsh Parikh, Haowei Chen, Sudeepa Roy, Babak Salimi,
Abstract要約: 本稿では,グラフニューラルネットワークとダブル機械学習を組み合わせた新しい手法を提案する。提案手法では,グラフ同型ネットワークとダブル機械学習を併用して,ネットワーク共同創設者の調整を行う。自己ヘルプグループ参加が金融リスク耐性に及ぼす影響を事例研究する。
参考スコア（独自算出の注目度）: 17.44202934049009
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Our paper addresses the challenge of inferring causal effects in social network data, characterized by complex interdependencies among individuals resulting in challenges such as non-independence of units, interference (where a unit's outcome is affected by neighbors' treatments), and introduction of additional confounding factors from neighboring units. We propose a novel methodology combining graph neural networks and double machine learning, enabling accurate and efficient estimation of direct and peer effects using a single observational social network. Our approach utilizes graph isomorphism networks in conjunction with double machine learning to effectively adjust for network confounders and consistently estimate the desired causal effects. We demonstrate that our estimator is both asymptotically normal and semiparametrically efficient. A comprehensive evaluation against four state-of-the-art baseline methods using three semi-synthetic social network datasets reveals our method's on-par or superior efficacy in precise causal effect estimation. Further, we illustrate the practical application of our method through a case study that investigates the impact of Self-Help Group participation on financial risk tolerance. The results indicate a significant positive direct effect, underscoring the potential of our approach in social network analysis. Additionally, we explore the effects of network sparsity on estimation performance.
Abstract（参考訳）: 本論文は, 個人間の複雑な相互依存, ユニットの非依存, 干渉(ユニットの結果が隣人の治療に影響を及ぼす) , 近隣ユニットからの補間要因の導入などの課題を特徴とする, ソーシャルネットワークデータにおける因果関係を推定することの課題に対処する。本稿では,グラフニューラルネットワークとダブル機械学習を組み合わせた新しい手法を提案する。提案手法では、グラフ同型ネットワークとダブル機械学習を併用して、ネットワークの共創者に対して効果的に調整し、所望の因果効果を一貫して推定する。我々の推定器は漸近的に正規かつ半パラメトリック的に効率的であることを示す。 3つの半合成ソーシャルネットワークデータセットを用いた4つの最先端ベースライン手法に対する包括的評価により,精度の高い因果効果推定における本手法の有効性が明らかとなった。さらに,自己ヘルプグループ参加が金融リスク耐性に与える影響を事例として,本手法の実用化について述べる。その結果,ソーシャルネットワーク分析におけるアプローチの可能性について,肯定的な効果が示唆された。さらに,ネットワーク空間が推定性能に与える影響についても検討する。

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)
Estimating Peer Direct and Indirect Effects in Observational Network Data [16.006409149421515]
本稿では、ピア直接効果とピア間接効果の両方を考慮し、個人自身の治療の効果を考慮に入れた一般的な設定を提案する。注意機構を用いて、異なる隣人の影響を識別し、グラフニューラルネットワークによる高次隣人効果を探索する。理論的には,ネットワークシステムにおける介入戦略を改善する可能性があり,ソーシャルネットワークや疫学などの分野にも応用できる。
論文参考訳（メタデータ） (2024-08-21T10:02:05Z)
Doubly Robust Causal Effect Estimation under Networked Interference via Targeted Learning [24.63284452991301]
ネットワーク干渉下での2つの頑健な因果効果推定器を提案する。具体的には,対象とする学習手法をネットワーク干渉設定に一般化する。我々は、同定された理論条件を目標損失に変換することによって、エンドツーエンドの因果効果推定器を考案する。
論文参考訳（メタデータ） (2024-05-06T10:49:51Z)
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 Two-Part Machine Learning Approach to Characterizing Network Interference in A/B Testing [4.000213034401085]
本稿では,「因果ネットワークモチーフ」を導入し,透過的な機械学習モデルを用いてネットワーク干渉パターンを特徴付ける。私たちのアプローチは、A/Bテスト実践者のネットワーク干渉に対処するための、包括的で自動化されたソリューションを提供します。
論文参考訳（メタデータ） (2023-08-18T19:37:55Z)
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)
Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
論文参考訳（メタデータ） (2021-06-18T16:34:23Z)
Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
論文参考訳（メタデータ） (2021-05-07T09:22:34Z)
Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。本稿では,理論的観点から,そのような手法の性能について考察する。交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
論文参考訳（メタデータ） (2020-11-03T15:33:10Z)
Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-08-01T00:58:54Z)

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。