論文の概要: Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects
- arxiv url: http://arxiv.org/abs/2403.11332v2
- Date: Fri, 31 May 2024 21:38:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-04 15:57:11.943961
- Title: Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects
- Title（参考訳）: グラフ機械学習によるネットワーク因果効果の2倍ロバスト推定
- Authors: Seyedeh Baharan Khatami, Harsh Parikh, Haowei Chen, Sudeepa Roy, Babak Salimi,
- Abstract要約: 本稿では,グラフ機械学習アプローチとダブル機械学習フレームワークを組み合わせた新しい手法を提案する。
提案手法は,広範囲なシミュレーション研究を通じて,正確で堅牢でスケーラブルであることを示す。
- 参考スコア（独自算出の注目度）: 17.44202934049009
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We address the challenge of inferring causal effects in social network data. This results in challenges due to interference -- where a unit's outcome is affected by neighbors' treatments -- and network-induced confounding factors. While there is extensive literature focusing on estimating causal effects in social network setups, a majority of them make prior assumptions about the form of network-induced confounding mechanisms. Such strong assumptions are rarely likely to hold especially in high-dimensional networks. We propose a novel methodology that combines graph machine learning approaches with the double machine learning framework to enable accurate and efficient estimation of direct and peer effects using a single observational social network. We demonstrate the semiparametric efficiency of our proposed estimator under mild regularity conditions, allowing for consistent uncertainty quantification. We demonstrate that our method is accurate, robust, and scalable via an extensive simulation study. We use our method to investigate the impact of Self-Help Group participation on financial risk tolerance.
- Abstract（参考訳）: 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。
これは、ユニットの結果が隣人の治療によって影響を受ける干渉と、ネットワークが引き起こす障害による課題をもたらす。
ソーシャルネットワークの設定における因果効果の推定に焦点をあてた文献が多数存在するが、その大半は、ネットワークによる共起機構の形式について事前の仮定を行っている。
このような強い仮定は、特に高次元ネットワークにおいて成り立つことは滅多にない。
本稿では,グラフ機械学習アプローチとダブル機械学習フレームワークを併用して,単一観測ソーシャルネットワークを用いた直接効果とピア効果の高精度かつ効率的な推定を可能にする手法を提案する。
提案した推定器の半パラメトリック効率を軽度な正則性条件下で示し、一貫した不確実性定量化を可能にする。
提案手法は,広範囲なシミュレーション研究を通じて,正確で堅牢でスケーラブルであることを示す。
我々は,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調査するために,本手法を用いた。
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。