論文の概要: Causal Effect Estimation under Networked Interference without Networked Unconfoundedness Assumption

• arxiv url: http://arxiv.org/abs/2502.19741v1
• Date: Thu, 27 Feb 2025 04:07:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:43.607518
• Title: Causal Effect Estimation under Networked Interference without Networked Unconfoundedness Assumption
• Title（参考訳）: ネットワーク的不整合推定を伴わないネットワーク干渉による因果効果の推定
• Authors: Weilin Chen, Ruichu Cai, Jie Qiao, Yuguang Yan, José Miguel Hernández-Lobato,
• Abstract要約: ネットワーク干渉下で因果効果を推定することは極めて難しい問題である。 ネットワーク推論では,3種類の潜在的共同設立者が同定を妨げている。 識別可能な表現学習技術に基づくネットワーク効果推定器を考案する。
• 参考スコア（独自算出の注目度）: 41.756212748602955
• License:
• Abstract: Estimating causal effects under networked interference is a crucial yet challenging problem. Existing methods based on observational data mainly rely on the networked unconfoundedness assumption, which guarantees the identification of networked effects. However, the networked unconfoundedness assumption is usually violated due to the latent confounders in observational data, hindering the identification of networked effects. Interestingly, in such networked settings, interactions between units provide valuable information for recovering latent confounders. In this paper, we identify three types of latent confounders in networked inference that hinder identification: those affecting only the individual, those affecting only neighbors, and those influencing both. Specifically, we devise a networked effect estimator based on identifiable representation learning techniques. Theoretically, we establish the identifiability of all latent confounders, and leveraging the identified latent confounders, we provide the networked effect identification result. Extensive experiments validate our theoretical results and demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: ネットワーク干渉下で因果効果を推定することは極めて難しい問題である。 既存の観測データに基づく手法は主にネットワーク化された未確立性の仮定に依存しており、ネットワーク化された効果の同定を保証する。 しかし、ネットワーク化された未確立の仮定は、通常、観測データにおける潜伏した共同設立者によって、ネットワーク化された効果の識別を妨げるために違反される。 興味深いことに、このようなネットワーク化された環境では、ユニット間のインタラクションは、潜伏した共同創設者を回復するための貴重な情報を提供する。 本稿では,ネットワーク型推論において,個人のみに影響を及ぼすもの,隣人だけに影響を及ぼすもの,その両方に影響を及ぼすもの,の3つのタイプを同定する。 具体的には、識別可能な表現学習技術に基づくネットワーク効果推定器を考案する。 理論的には、潜在的共同設立者の識別可能性を確立し、特定された潜在的共同設立者を活用することにより、ネットワーク化された効果同定結果を提供する。 本手法の有効性を検証し,提案手法の有効性を検証した。

関連論文リスト

• Disentangled Graph Autoencoder for Treatment Effect Estimation [1.361700725822891]
  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交叉変分グラフオートエンコーダを提案する。 我々のグラフエンコーダは、潜伏因子を、ヒルベルト・シュミット独立基準を用いて因子独立を強制しながら、楽器的、障害的、調整的、ノイズ的な要因に分解する。
  論文  参考訳（メタデータ） (2024-12-19T03:44:49Z)
• 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)
• Estimating Peer Direct and Indirect Effects in Observational Network Data [16.006409149421515]
  本稿では、ピア直接効果とピア間接効果の両方を考慮し、個人自身の治療の効果を考慮に入れた一般的な設定を提案する。 注意機構を用いて、異なる隣人の影響を識別し、グラフニューラルネットワークによる高次隣人効果を探索する。 理論的には,ネットワークシステムにおける介入戦略を改善する可能性があり,ソーシャルネットワークや疫学などの分野にも応用できる。
  論文  参考訳（メタデータ） (2024-08-21T10:02:05Z)
• Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects [17.44202934049009]
  本稿では,グラフ機械学習アプローチとダブル機械学習フレームワークを組み合わせた新しい手法を提案する。 提案手法は,広範囲なシミュレーション研究を通じて,正確で堅牢でスケーラブルであることを示す。
  論文  参考訳（メタデータ） (2024-03-17T20:23:42Z)
• Investigating Human-Identifiable Features Hidden in Adversarial Perturbations [54.39726653562144]
  我々の研究では、最大5つの攻撃アルゴリズムを3つのデータセットにわたって探索する。 対人摂動における人間の識別可能な特徴を同定する。 画素レベルのアノテーションを用いて、そのような特徴を抽出し、ターゲットモデルに妥協する能力を実証する。
  論文  参考訳（メタデータ） (2023-09-28T22:31:29Z)
• Confounder Identification-free Causal Visual Feature Learning [84.28462256571822]
  本稿では,創始者を特定する必要性を排除した,創始者同定自由因果視覚特徴学習(CICF)手法を提案する。 CICFは、フロントドア基準に基づいて異なるサンプル間の介入をモデル化し、インスタンスレベルの介入に対するグローバルスコープ干渉効果を近似する。 我々は,CICFと一般的なメタラーニング戦略MAMLの関係を明らかにするとともに,MAMLが理論的観点から機能する理由を解釈する。
  論文  参考訳（メタデータ） (2021-11-26T10:57:47Z)
• 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)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
  本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。 まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。 第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
  論文  参考訳（メタデータ） (2021-04-17T20:00:40Z)

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。