論文の概要: Cascade-based Randomization for Inferring Causal Effects under Diffusion Interference
- arxiv url: http://arxiv.org/abs/2405.12340v1
- Date: Mon, 20 May 2024 19:24:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 17:43:12.933975
- Title: Cascade-based Randomization for Inferring Causal Effects under Diffusion Interference
- Title(参考訳): 拡散干渉下における因果効果推定のためのカスケードに基づくランダム化
- Authors: Zahra Fatemi, Jean Pouget-Abadie, Elena Zheleva,
- Abstract要約: クラスタベースのランダム化アプローチは、干渉がカスケード内で伝播するときに性能が低下する。
本稿では,カスケードシードノードから処理の割り当てを開始し,その割り当てを複数のホップに伝達するカスケードネットワーク実験設計を提案する。
- 参考スコア(独自算出の注目度): 15.7485894481935
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The presence of interference, where the outcome of an individual may depend on the treatment assignment and behavior of neighboring nodes, can lead to biased causal effect estimation. Current approaches to network experiment design focus on limiting interference through cluster-based randomization, in which clusters are identified using graph clustering, and cluster randomization dictates the node assignment to treatment and control. However, cluster-based randomization approaches perform poorly when interference propagates in cascades, whereby the response of individuals to treatment propagates to their multi-hop neighbors. When we have knowledge of the cascade seed nodes, we can leverage this interference structure to mitigate the resulting causal effect estimation bias. With this goal, we propose a cascade-based network experiment design that initiates treatment assignment from the cascade seed node and propagates the assignment to their multi-hop neighbors to limit interference during cascade growth and thereby reduce the overall causal effect estimation error. Our extensive experiments on real-world and synthetic datasets demonstrate that our proposed framework outperforms the existing state-of-the-art approaches in estimating causal effects in network data.
- Abstract(参考訳): 個人の結果が近隣ノードの処理の割り当てや行動に依存する可能性がある干渉の存在は、バイアスのある因果効果の推定につながる可能性がある。
ネットワーク設計への現在のアプローチは、クラスタベースのランダム化による干渉の制限に焦点を当てており、クラスタをグラフクラスタリングを用いて識別し、クラスタランダム化はノードの処理と制御を規定する。
しかし、クラスタベースのランダム化アプローチは、干渉がカスケード内で伝播し、治療に対する個人の反応が近隣のマルチホップに伝播すると、性能が低下する。
カスケードシードノードの知識があれば、この干渉構造を利用して因果効果推定バイアスを軽減することができる。
本研究の目的は,カスケードシードノードからの処理の割り当てを開始して,カスケード成長中の干渉を制限するために,それらのマルチホップ近傍への割り当てを伝搬し,全体的な因果効果推定誤差を低減するカスケードベースのネットワーク実験設計を提案することである。
実世界のデータセットと合成データセットに関する広範な実験により、提案するフレームワークは、ネットワークデータにおける因果効果を推定する上で、既存の最先端アプローチよりも優れていることを示した。
関連論文リスト
- Linear Contextual Bandits with Interference [14.835167982538053]
線形CB(LinCB)における干渉に対処するための体系的枠組みを導入する。
本稿では、報酬モデリングプロセスにおける干渉効果を明示的に定量化する一連のアルゴリズムを提案する。
提案手法の有効性をシミュレーションおよびMovieLensデータに基づく合成データを用いて実証した。
論文 参考訳(メタデータ) (2024-09-24T02:51:00Z) - 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) - 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) - Partial Identification with Noisy Covariates: A Robust Optimization
Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。
このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。
合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文 参考訳(メタデータ) (2022-02-22T04:24:26Z) - 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) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳(メタデータ) (2021-04-12T18:50:11Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。
そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。
MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
論文 参考訳(メタデータ) (2021-02-15T08:19:05Z) - Minimizing Interference and Selection Bias in Network Experiment Design [14.696233190562939]
干渉や選択バイアスを最小化するネットワーク実験設計の原理的枠組みを提案する。
実世界の多くのデータセットに対する実験により,提案手法が因果効果推定の誤差を著しく低減させることが示された。
論文 参考訳(メタデータ) (2020-04-15T17:34:13Z) - Causal Inference under Networked Interference and Intervention Policy
Enhancement [35.149125599812706]
ランダム化実験のデータから個々の治療効果を推定することは因果推論において重要な課題である。
通常、ランダム化実験や相互接続された単位による観測実験では、干渉下でのみ治療反応を観察することができる。
本稿では,グラフの依存性を捕捉する強力なツールであるGNNを用いて,一般的なネットワーク干渉下での因果効果の推定について検討する。
論文 参考訳(メタデータ) (2020-02-20T00:35:50Z)
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。