論文の概要: Graph Disentangle Causal Model: Enhancing Causal Inference in Networked Observational Data
- arxiv url: http://arxiv.org/abs/2412.03913v1
- Date: Thu, 05 Dec 2024 06:30:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-06 14:41:19.580951
- Title: Graph Disentangle Causal Model: Enhancing Causal Inference in Networked Observational Data
- Title(参考訳): グラフディスタングル因果モデル:ネットワーク観測データにおける因果推論の強化
- Authors: Binbin Hu, Zhicheng An, Zhengwei Wu, Ke Tu, Ziqi Liu, Zhiqiang Zhang, Jun Zhou, Yufei Feng, Jiawei Chen,
- Abstract要約: 観察データから個別治療効果(ITE)を推定することは、様々な領域において重要な課題である。
ネットワーク環境でのITT推定を行うために,textitGraph Disentangle Causal Model (GDC) と呼ばれる新しいフレームワークを提案する。
- 参考スコア(独自算出の注目度): 24.583216292149366
- License:
- Abstract: Estimating individual treatment effects (ITE) from observational data is a critical task across various domains. However, many existing works on ITE estimation overlook the influence of hidden confounders, which remain unobserved at the individual unit level. To address this limitation, researchers have utilized graph neural networks to aggregate neighbors' features to capture the hidden confounders and mitigate confounding bias by minimizing the discrepancy of confounder representations between the treated and control groups. Despite the success of these approaches, practical scenarios often treat all features as confounders and involve substantial differences in feature distributions between the treated and control groups. Confusing the adjustment and confounder and enforcing strict balance on the confounder representations could potentially undermine the effectiveness of outcome prediction. To mitigate this issue, we propose a novel framework called the \textit{Graph Disentangle Causal model} (GDC) to conduct ITE estimation in the network setting. GDC utilizes a causal disentangle module to separate unit features into adjustment and confounder representations. Then we design a graph aggregation module consisting of three distinct graph aggregators to obtain adjustment, confounder, and counterfactual confounder representations. Finally, a causal constraint module is employed to enforce the disentangled representations as true causal factors. The effectiveness of our proposed method is demonstrated by conducting comprehensive experiments on two networked datasets.
- Abstract(参考訳): 観察データから個別治療効果(ITE)を推定することは、様々な領域において重要な課題である。
しかし、ITT推定に関する多くの既存の研究は、隠れた共同設立者の影響を見落としている。
この制限に対処するために、研究者はグラフニューラルネットワークを使用して、隣人の特徴を集約し、隠された共同創設者を捕捉し、治療されたグループとコントロールグループの共同創設者表現の相違を最小限にすることで、共起バイアスを軽減する。
これらのアプローチの成功にもかかわらず、実践的なシナリオは、すべての機能を共同創設者として扱い、扱われたグループとコントロールグループの機能分布に実質的な違いを伴うことが多い。
調整と共同創設者の混同と共同創設者の表現の厳格なバランス強化は、結果予測の有効性を損なう可能性がある。
この問題を軽減するため,ネットワーク環境でのITE推定を行うための新しいフレームワークである「textit{Graph Disentangle Causal model} (GDC)」を提案する。
GDCは因果不整合モジュールを使用して、単位特徴を調整および共同設立表現に分離する。
次に、3つの異なるグラフアグリゲータからなるグラフアグリゲーションモジュールを設計し、調整、共同設立、および対実的共同設立表現を得る。
最後に、非絡み合った表現を真の因果因子として強制するために因果制約加群が用いられる。
提案手法の有効性は,ネットワーク化された2つのデータセットに対して総合的な実験を行うことによって実証される。
関連論文リスト
- Model-Based Inference and Experimental Design for Interference Using Partial Network Data [4.76518127830168]
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。
論文 参考訳(メタデータ) (2024-06-17T17:27:18Z) - 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) - CAFIN: Centrality Aware Fairness inducing IN-processing for Unsupervised Representation Learning on Graphs [10.042608422528392]
CAFIN(Centrality-aware Fairness-inducing framework)は、既存のフレームワークが生成した表現を調整するためのフレームワークである。
GraphSAGEにデプロイし、ノード分類とリンク予測という2つの下流タスクで有効性を示します。
論文 参考訳(メタデータ) (2023-04-10T05:40:09Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial
Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。
提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文 参考訳(メタデータ) (2022-03-01T02:32:25Z) - Towards Robust and Adaptive Motion Forecasting: A Causal Representation
Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。
我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。
合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文 参考訳(メタデータ) (2021-11-29T18:59:09Z) - Understanding Adversarial Examples from the Mutual Influence of Images
and Perturbations [83.60161052867534]
クリーンな画像と敵の摂動を遠ざけることで敵の例を分析し,その相互への影響を分析した。
以上の結果から,画像と普遍摂動の関係に対する新たな視点が示唆された。
我々は、オリジナルトレーニングデータを活用することなく、目標とするユニバーサルアタックの挑戦的なタスクを最初に達成した人物です。
論文 参考訳(メタデータ) (2020-07-13T05:00:09Z) - Learning What Makes a Difference from Counterfactual Examples and
Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。
我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。
このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文 参考訳(メタデータ) (2020-04-20T02:47:49Z) - When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である
本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。
ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
論文 参考訳(メタデータ) (2020-02-24T11:35:28Z)
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。