論文の概要: Online Experimental Design With Estimation-Regret Trade-off Under Network Interference

• arxiv url: http://arxiv.org/abs/2412.03727v2
• Date: Fri, 07 Feb 2025 05:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:52:49.268156
• Title: Online Experimental Design With Estimation-Regret Trade-off Under Network Interference
• Title（参考訳）: ネットワーク干渉下における推定回帰トレードオフを用いたオンライン実験設計
• Authors: Zhiheng Zhang, Zichen Wang,
• Abstract要約: オンライン実験設計のための統合型干渉認識フレームワークを提案する。 既存の研究と比較して、露出マッピングの統計的概念を利用して腕の空間の定義を拡張した。
• 参考スコア（独自算出の注目度）: 7.080131271060764
• License:
• Abstract: Network interference has attracted significant attention in the field of causal inference, encapsulating various sociological behaviors where the treatment assigned to one individual within a network may affect the outcomes of others, such as their neighbors. A key challenge in this setting is that standard causal inference methods often assume independent treatment effects among individuals, which may not hold in networked environments. To estimate interference-aware causal effects, a traditional approach is to inherit the independent settings, where practitioners randomly assign experimental participants into different groups and compare their outcomes. While effective in offline settings, this strategy becomes problematic in sequential experiments, where suboptimal decision persists, leading to substantial regret. To address this issue, we introduce a unified interference-aware framework for online experimental design. Compared to existing studies, we extend the definition of arm space by utilizing the statistical concept of exposure mapping, which allows for a more flexible and context-aware representation of treatment effects in networked settings. Crucially, we establish a Pareto-optimal trade-off between estimation accuracy and regret under the network concerning both time period and arm space, which remains superior to baseline models even without network interference. Furthermore, we propose an algorithmic implementation and discuss its generalization across different learning settings and network topology
• Abstract（参考訳）: ネットワーク干渉は因果推論の分野で大きな注目を集めており、ネットワーク内の1つの個人に割り当てられた治療が、隣人などの他者の結果に影響を及ぼす様々な社会学的挙動をカプセル化している。 この設定における重要な課題は、標準的な因果推論手法が、ネットワーク化された環境では保たない個人に対して、独立した治療効果を仮定することが多いことである。 干渉認識因果効果を推定するために、従来のアプローチは独立した設定を継承することであり、実践者はランダムに実験参加者を異なるグループに割り当て、その結果を比較する。 オフライン環境では有効であるが、この戦略は、最適下決定が持続する連続的な実験で問題となり、かなりの後悔をもたらす。 この問題に対処するために,オンライン実験設計のための統合型干渉認識フレームワークを導入する。 既存の研究と比較して、露出マッピングという統計的概念を利用して腕の空間の定義を拡張し、ネットワーク環境における治療効果のより柔軟で文脈に合った表現を可能にする。 重要な点として,ネットワーク干渉を伴わずともベースラインモデルよりも優れた時間空間とアーム空間の両方に関して,推定精度と後悔の間のパレート最適トレードオフを確立する。 さらに,アルゴリズムの実装を提案し,学習環境やネットワークトポロジにまたがる一般化について議論する。

関連論文リスト

• Can We Validate Counterfactual Estimations in the Presence of General Network Interference? [6.092214762701847]
  対実推定のためのクロスバリデーションを実現する新しいフレームワークを提案する。 中心となるのは、分散保存ネットワークブートストラップ方式です。 我々は、不均一な単位レベル特性を取り入れることで、最近の因果メッセージパッシングの発展を拡大する。
  論文  参考訳（メタデータ） (2025-02-03T06:51:04Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• Developing Constrained Neural Units Over Time [81.19349325749037]
  本稿では,既存のアプローチと異なるニューラルネットワークの定義方法に焦点をあてる。 ニューラルネットワークの構造は、データとの相互作用にも拡張される制約の特別なクラスによって定義される。 提案した理論は時間領域にキャストされ, データを順序づけられた方法でネットワークに提示する。
  論文  参考訳（メタデータ） (2020-09-01T09:07:25Z)
• Interference and Generalization in Temporal Difference Learning [86.31598155056035]
  時間差学習における一般化と干渉の関係について検討する。 教師付き学習ではTDが容易に低干渉,低一般化パラメータにつながり,その効果は逆のように見える。
  論文  参考訳（メタデータ） (2020-03-13T15:49:58Z)
• 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。