論文の概要: Treatment Effects Estimation on Networked Observational Data using Disentangled Variational Graph Autoencoder
- arxiv url: http://arxiv.org/abs/2412.14497v1
- Date: Thu, 19 Dec 2024 03:44:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:33:56.201085
- Title: Treatment Effects Estimation on Networked Observational Data using Disentangled Variational Graph Autoencoder
- Title(参考訳): 分散変分グラフオートエンコーダを用いたネットワーク観測データに対する処理効果の推定
- Authors: Di Fan, Renlei Jiang, Yunhao Wen, Chuanhou Gao,
- Abstract要約: 観察データから個別治療効果(ITE)を推定する手法が,各領域で注目されている。
本稿では,ネットワーク化された観測データに対する処理効果推定のための非絡み付き因子を学習する,新しい非絡み付き変分グラフオートエンコーダを提案する。
- 参考スコア(独自算出の注目度): 1.361700725822891
- License:
- Abstract: Estimating individual treatment effect (ITE) from observational data has gained increasing attention across various domains, with a key challenge being the identification of latent confounders affecting both treatment and outcome. Networked observational data offer new opportunities to address this issue by utilizing network information to infer latent confounders. However, most existing approaches assume observed variables and network information serve only as proxy variables for latent confounders, which often fails in practice, as some variables influence treatment but not outcomes, and vice versa. Recent advances in disentangled representation learning, which disentangle latent factors into instrumental, confounding, and adjustment factors, have shown promise for ITE estimation. Building on this, we propose a novel disentangled variational graph autoencoder that learns disentangled factors for treatment effect estimation on networked observational data. Our graph encoder further ensures factor independence using the Hilbert-Schmidt Independence Criterion. Extensive experiments on two semi-synthetic datasets derived from real-world social networks and one synthetic dataset demonstrate that our method achieves state-of-the-art performance.
- 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、様々な領域で注目され、治療と結果の両方に影響を及ぼす潜在的共同創設者の特定が大きな課題となっている。
ネットワーク観測データは、ネットワーク情報を利用して潜伏した共同設立者を推論することで、この問題に対処する新たな機会を提供する。
しかし、既存のほとんどのアプローチでは、観測された変数とネットワーク情報は、潜伏した共同創設者のプロキシ変数としてのみ機能し、実際は失敗することが多い。
楽器, コンバウンディング, 調整因子に潜伏因子を分解する非絡み合い表現学習の最近の進歩は, ITE推定の可能性を示唆している。
そこで本研究では,ネットワーク化された観測データに対する処理効果推定のための非絡み付き因子を学習する,非絡み付き変分グラフオートエンコーダを提案する。
グラフエンコーダは、Hilbert-Schmidt Independence Criterionを使用して、因子独立をさらに保証します。
実世界のソーシャルネットワークから派生した2つの半合成データセットと1つの合成データセットの大規模な実験により,本手法が最先端の性能を達成することを示す。
関連論文リスト
- Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。
我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文 参考訳(メタデータ) (2024-11-01T18:00:51Z) - Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data [6.166869525631879]
本稿では,連続治療の因果効果を推定するための新しいフレームワークであるContiVAEについて述べる。
ContiVAEは既存の手法を最大62%上回り、その堅牢性と柔軟性を示す。
論文 参考訳(メタデータ) (2024-10-21T07:24:26Z) - Estimating Treatment Effects in Continuous Time with Hidden Confounders [8.292249583600809]
隠れた共同創設者の存在下での縦断的な治療効果の推定は、依然として極めて難しい問題である。
制御微分方程式とリプシッツ拘束畳み込み演算を用いた潜在因子モデル構築のためのニューラル微分方程式の最近の進歩
合成データセットと実世界のデータセットの両方の実験は、隠れた共同創設者の存在下での治療効果を推定するための連続的な時間的手法の可能性を強調している。
論文 参考訳(メタデータ) (2023-02-19T00:28:20Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳(メタデータ) (2022-06-16T17:59:05Z) - Partial Identification of Dose Responses with Hidden Confounders [25.468473751289036]
観測データから連続的に評価された治療の因果効果を推定することが重要な課題である。
本稿では, 平均および条件付き平均連続値処理効果推定値の両方を束縛する新しい手法を提案する。
本手法を実世界の観測ケーススタディに適用し,線量依存因果効果の同定の価値を実証する。
論文 参考訳(メタデータ) (2022-04-24T07:02:21Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2021-10-26T20:13:17Z) - 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) - Deconfounded Score Method: Scoring DAGs with Dense Unobserved
Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。
汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-28T11:07:59Z) - 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) - 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。