論文の概要: Model-Based Inference and Experimental Design for Interference Using Partial Network Data
- arxiv url: http://arxiv.org/abs/2406.11940v1
- Date: Mon, 17 Jun 2024 17:27:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-20 00:36:26.329745
- Title: Model-Based Inference and Experimental Design for Interference Using Partial Network Data
- Title（参考訳）: 部分的ネットワークデータを用いた干渉のモデルベース推論と実験設計
- Authors: Steven Wilkins Reeves, Shane Lubold, Arun G. Chandrasekhar, Tyler H. McCormick,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.76518127830168
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The stable unit treatment value assumption states that the outcome of an individual is not affected by the treatment statuses of others, however in many real world applications, treatments can have an effect on many others beyond the immediately treated. Interference can generically be thought of as mediated through some network structure. In many empirically relevant situations however, complete network data (required to adjust for these spillover effects) are too costly or logistically infeasible to collect. Partially or indirectly observed network data (e.g., subsamples, aggregated relational data (ARD), egocentric sampling, or respondent-driven sampling) reduce the logistical and financial burden of collecting network data, but the statistical properties of treatment effect adjustments from these design strategies are only beginning to be explored. In this paper, we present a framework for the estimation and inference of treatment effect adjustments using partial network data through the lens of structural causal models. We also illustrate procedures to assign treatments using only partial network data, with the goal of either minimizing estimator variance or optimally seeding. We derive single network asymptotic results applicable to a variety of choices for an underlying graph model. We validate our approach using simulated experiments on observed graphs with applications to information diffusion in India and Malawi.
- Abstract（参考訳）: 安定した単位処理値の仮定は、個人の結果が他者の治療状況に影響されないことを示しているが、多くの現実世界の応用において、治療は即時治療以上の多くの人に影響を及ぼす可能性がある。
干渉は一般に、ネットワーク構造を通して媒介されると考えることができる。
しかし、多くの経験的な状況において、完全なネットワークデータ(これらの流出効果を調整するために要求される)はコストがかかりすぎるか、論理的には収集できない。
部分的あるいは間接的に観察されるネットワークデータ(サブサンプル,集約された関係データ(ARD),エゴセントリックサンプリング,あるいは応答駆動サンプリング)は,ネットワークデータ収集のロジスティックおよび金銭的負担を軽減するが,これらの設計戦略による処理効果調整の統計的性質は探求され始めている。
本稿では,構造因果モデルのレンズを用いた部分的ネットワークデータを用いて,治療効果の調整を推定・推定するためのフレームワークを提案する。
また、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についても説明し、推定値の分散を最小化するか、最適なシード化を目標とする。
我々は、基礎となるグラフモデルに対して、様々な選択肢に適用可能な単一のネットワーク漸近結果を得る。
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。
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) - Estimation of individual causal effects in network setup for multiple
treatments [4.53340898566495]
個別治療効果 (ITE) の推定問題について, 複数の治療と観察データを用いて検討した。
我々は、共同創設者の共有表現を学ぶために、Graph Convolutional Networks(GCN)を採用しています。
アプローチでは、個別のニューラルネットワークを使用して、各治療の潜在的な結果を推測する。
論文 参考訳（メタデータ） (2023-12-18T06:07:45Z) - 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) - 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) - DESCN: Deep Entire Space Cross Networks for Individual Treatment Effect
Estimation [7.060064266376701]
因果推論は、Eコマースや精密医療など様々な分野で広く応用されている。
本稿では,エンド・ツー・エンドの観点から治療効果をモデル化するためのDeep Entire Space Cross Networks (DESCN)を提案する。
論文 参考訳（メタデータ） (2022-07-19T01:25:31Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - 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) - 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) - Joint Inference of Diffusion and Structure in Partially Observed Social
Networks Using Coupled Matrix Factorization [3.399624105745357]
本稿では、部分的に観測されたデータからモデルを学び、観測されていない拡散と構造ネットワークを推定する。
提案手法では,ノードとカスケードプロセスの相互関係を,学習因子と低次元潜在因子を用いて利用した。
これらの合成および実世界のデータセットの実験により、提案手法は見えない社会行動を検出し、リンクを予測し、潜伏した特徴を識別することに成功した。
論文 参考訳（メタデータ） (2020-10-03T17:48:57Z) - 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) - 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。