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

• arxiv url: http://arxiv.org/abs/2502.19741v2
• Date: Sat, 02 Aug 2025 08:08:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 14:07:56.290906
• 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: 観測データからのネットワーク干渉による因果効果の推定は極めて難しい問題である。 我々は,ネットワーク環境において,潜在的共同設立者の3つのカテゴリを特徴付ける共同設立者回復フレームワークを開発した。 この枠組みに基づいて,識別可能な表現学習技術を用いたネットワーク効果推定器を設計する。
• 参考スコア（独自算出の注目度）: 41.756212748602955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating causal effects under networked interference from observational data is a crucial yet challenging problem. Most existing methods mainly rely on the networked unconfoundedness assumption, which guarantees the identification of networked effects. However, this assumption is often violated due to the latent confounders inherent in observational data, thereby hindering the identification of networked effects. To address this issue, we leverage the rich interaction patterns between units in networks, which provide valuable information for recovering these latent confounders. Building on this insight, we develop a confounder recovery framework that explicitly characterizes three categories of latent confounders in networked settings: those affecting only the unit, those affecting only the unit's neighbors, and those influencing both. Based on this framework, we design a networked effect estimator using identifiable representation learning techniques. From a theoretical standpoint, we prove the identifiability of all three types of latent confounders and, by leveraging the recovered confounders, establish a formal identification result for networked effects. Extensive experiments validate our theoretical findings and demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 観測データからのネットワーク干渉による因果効果の推定は極めて難しい問題である。 既存の手法の多くはネットワーク化されていない仮定に依存しており、ネットワーク化効果の同定を保証する。 しかし、この仮定は、観測データに固有の潜伏した共同設立者がネットワーク効果の識別を妨げるため、しばしば違反される。 この問題に対処するために、ネットワーク内のユニット間のリッチなインタラクションパターンを活用し、これら潜伏した共同設立者の回復に有用な情報を提供する。 この知見に基づいて、我々は、ネットワーク化された設定において、潜伏した共同設立者の3つのカテゴリを明示的に特徴付ける、共同設立者回復フレームワークを開発する。 この枠組みに基づいて,識別可能な表現学習技術を用いたネットワーク効果推定器を設計する。 理論的観点からは,3種類の潜在的共同設立者の同一性を証明するとともに,回復した共同設立者を利用して,ネットワーク効果の正式な識別結果を確立する。 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

• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• 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)
• Treatment-Aware Hyperbolic Representation Learning for Causal Effect Estimation with Social Networks [17.25831411912408]
  観察データから個別治療効果(ITE)を推定することは重要な研究課題である。 隠れた共同設立者を特定する方法は、ITT推定において重要な課題となる。 近年の研究では、この課題に対処するために、ソーシャルネットワークの構造情報を取り入れている。
  論文  参考訳（メタデータ） (2024-01-12T13:02:39Z)
• Understanding Robust Overfitting from the Feature Generalization Perspective [61.770805867606796]
  逆行訓練(AT)は、逆行摂動を自然データに組み込むことで、堅牢なニューラルネットワークを構築する。 これはロバストオーバーフィッティング(RO)の問題に悩まされ、モデルのロバスト性を著しく損なう。 本稿では,新しい特徴一般化の観点からROを考察する。
  論文  参考訳（メタデータ） (2023-10-01T07:57:03Z)
• 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)
• Neighborhood Adaptive Estimators for Causal Inference under Network Interference [109.17155002599978]
  ネットワークに接続された単位による古典的非干渉仮定の違反について考察する。 トラクタビリティでは、干渉がどのように広がるかを記述する既知のネットワークを考える。
  論文  参考訳（メタデータ） (2022-12-07T14:53:47Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• 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。