論文の概要: Treatment Effect Estimation for Graph-Structured Targets

• arxiv url: http://arxiv.org/abs/2412.20436v1
• Date: Sun, 29 Dec 2024 11:21:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:07:19.911761
• Title: Treatment Effect Estimation for Graph-Structured Targets
• Title（参考訳）: グラフ構造ターゲットの処理効果推定
• Authors: Shonosuke Harada, Ryosuke Yoneda, Hisashi Kashima,
• Abstract要約: Graph-target Treatment Effect Estimation (GraphTEE)は、グラフ構造化対象に対する治療効果を推定するフレームワークである。 バイアス緩和の観点から,GraphTEEの優れた性能に関する理論的解析を行った。
• 参考スコア（独自算出の注目度）: 19.994206291423666
• License:
• Abstract: Treatment effect estimation, which helps understand the causality between treatment and outcome variable, is a central task in decision-making across various domains. While most studies focus on treatment effect estimation on individual targets, in specific contexts, there is a necessity to comprehend the treatment effect on a group of targets, especially those that have relationships represented as a graph structure between them. In such cases, the focus of treatment assignment is prone to depend on a particular node of the graph, such as the one with the highest degree, thus resulting in an observational bias from a small part of the entire graph. Whereas a bias tends to be caused by the small part, straightforward extensions of previous studies cannot provide efficient bias mitigation owing to the use of the entire graph information. In this study, we propose Graph-target Treatment Effect Estimation (GraphTEE), a framework designed to estimate treatment effects specifically on graph-structured targets. GraphTEE aims to mitigate observational bias by focusing on confounding variable sets and consider a new regularization framework. Additionally, we provide a theoretical analysis on how GraphTEE performs better in terms of bias mitigation. Experiments on synthetic and semi-synthetic datasets demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: 治療効果の推定は、治療と結果変数の因果関係を理解するのに役立つが、様々な領域における意思決定の中心的な課題である。 多くの研究は、個々の標的に対する治療効果の推定に焦点を当てているが、特定の文脈では、標的のグループ、特にそれらの間のグラフ構造として表される関係を持つものに対する治療効果を理解する必要がある。 このような場合、処置の焦点はグラフの特定のノード、例えば最も高い次数を持つノードに依存する傾向にあり、結果としてグラフ全体の小さな部分から観測バイアスが生じる。 バイアスは小さな部分によって引き起こされる傾向にあるが、従来の研究の直接的な拡張は、グラフ情報全体の使用による効率的なバイアス緩和を提供することはできない。 本研究では,グラフ構造化対象に対する治療効果を推定するフレームワークであるグラフターゲット処理効果推定(GraphTEE)を提案する。 GraphTEEは、変数セットの相違に着目し、新しい正規化フレームワークを検討することで、観測バイアスを軽減することを目的としている。 さらに, バイアス緩和の観点から, GraphTEE がどう機能するかを理論的に分析する。 合成および半合成データセットの実験により,提案手法の有効性が示された。

関連論文リスト

• Generative Risk Minimization for Out-of-Distribution Generalization on Graphs [71.48583448654522]
  本稿では,抽出ではなく,各入力グラフの不変部分グラフを生成するために,GRM (Generative Risk Minimization) という革新的なフレームワークを提案する。 我々は,ノードレベルのOOD一般化とグラフレベルのOOD一般化のために,さまざまな実世界のグラフデータセットに対して広範な実験を行う。
  論文  参考訳（メタデータ） (2025-02-11T21:24:13Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• Fine-grained Graph Rationalization [51.293401030058085]
  グラフ機械学習のための微粒なグラフ合理化(FIG)を提案する。 私たちのアイデアは、入力ノード間のリッチなインタラクションを提供するセルフアテンションメカニズムによって推進されます。 実験では,実世界の7つのデータセットを対象とし,提案したFIGは,13のベースライン手法と比較して大きな性能上の優位性を示した。
  論文  参考訳（メタデータ） (2023-12-13T02:56:26Z)
• GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
  グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。 個人データの不正利用に関する懸念が高まっている。 近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。 本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
  論文  参考訳（メタデータ） (2023-10-11T00:50:55Z)
• Logical Bias Learning for Object Relation Prediction [3.724255294816294]
  シーングラフ生成(SGG)は、イメージをセマンティックな構造グラフに自動的にマッピングして、シーン理解を改善することを目的としている。 バイアスのあるデータとトレーニング方法のために、実際には厳しい制限に直面しています。 対象関係予測のための因果推論に基づくより合理的で効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2023-10-01T16:12:00Z)
• Front-door Adjustment Beyond Markov Equivalence with Limited Graph Knowledge [36.210656212459554]
  本報告では,正面調整を用いて因果効果を計算するための条件付き独立文について述べる。 本手法はマルコフ同値クラスが因果効果推定に十分でない場合に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-19T15:16:56Z)
• Graph Structure and Feature Extrapolation for Out-of-Distribution Generalization [54.64375566326931]
  アウト・オブ・ディストリビューション(OOD)の一般化は、テスト分布がトレーニング分布からシフトする一般的な学習シナリオを扱う。 我々は,非ユークリッド空間線型補間の新しい設計により,グラフOOD一般化を実現することを提案する。 我々の設計は、根底にある因果機構を損なうことなく、OODサンプルを特定のシフトのために調整する。
  論文  参考訳（メタデータ） (2023-06-13T18:46:28Z)
• Covariate-Balancing-Aware Interpretable Deep Learning models for Treatment Effect Estimation [15.465045049754336]
  本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。 新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。 提案手法は、因果推論のためのベンチマークデータセットを再検討し、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-07T07:42:40Z)
• Graph Intervention Networks for Causal Effect Estimation [30.516184324213874]
  本稿では, グラフ化処理における条件平均処理効果(CATE)の推定に対処する。 本稿では,CATE推定を分割して,より単純な最適化問題に分解するプラグイン推定器を提案する。
  論文  参考訳（メタデータ） (2021-06-03T15:41:00Z)
• GraphITE: Estimating Individual Effects of Graph-structured Treatments [21.285425135761795]
  応用によっては、治療の回数が大幅に増加することもある。 本研究では,薬物などのグラフ構造化処理における結果推定問題について考察する。 提案手法であるGraphITEは,グラフニューラルネットワークを用いてグラフ構造化処理の表現を学習する。
  論文  参考訳（メタデータ） (2020-09-29T14:49:30Z)
• 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。