論文の概要: Learning Exposure Mapping Functions for Inferring Heterogeneous Peer Effects
- arxiv url: http://arxiv.org/abs/2503.01722v1
- Date: Mon, 03 Mar 2025 16:37:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:21:19.113567
- Title: Learning Exposure Mapping Functions for Inferring Heterogeneous Peer Effects
- Title（参考訳）: 不均一なピア効果を推定するための学習的露光マッピング機能
- Authors: Shishir Adhikari, Sourav Medya, Elena Zheleva,
- Abstract要約: 因果推論において、干渉とは、ネットワーク内のピアのアクションが個人の結果に影響を与える現象を指す。
EgoNetGNNは、適切な露光マッピング機能を自動的に学習するグラフニューラルネットワーク(GNN)ベースの手法である。
- 参考スコア（独自算出の注目度）: 12.354189716715194
- License:
- Abstract: In causal inference, interference refers to the phenomenon in which the actions of peers in a network can influence an individual's outcome. Peer effect refers to the difference in counterfactual outcomes of an individual for different levels of peer exposure, the extent to which an individual is exposed to the treatments, actions, or behaviors of peers. Estimating peer effects requires deciding how to represent peer exposure. Typically, researchers define an exposure mapping function that aggregates peer treatments and outputs peer exposure. Most existing approaches for defining exposure mapping functions assume peer exposure based on the number or fraction of treated peers. Recent studies have investigated more complex functions of peer exposure which capture that different peers can exert different degrees of influence. However, none of these works have explicitly considered the problem of automatically learning the exposure mapping function. In this work, we focus on learning this function for the purpose of estimating heterogeneous peer effects, where heterogeneity refers to the variation in counterfactual outcomes for the same peer exposure but different individual's contexts. We develop EgoNetGNN, a graph neural network (GNN)-based method, to automatically learn the appropriate exposure mapping function allowing for complex peer influence mechanisms that, in addition to peer treatments, can involve the local neighborhood structure and edge attributes. We show that GNN models that use peer exposure based on the number or fraction of treated peers or learn peer exposure naively face difficulty accounting for such influence mechanisms. Our comprehensive evaluation on synthetic and semi-synthetic network data shows that our method is more robust to different unknown underlying influence mechanisms when estimating heterogeneous peer effects when compared to state-of-the-art baselines.
- Abstract（参考訳）: 因果推論において、干渉とは、ネットワーク内のピアのアクションが個人の結果に影響を与える現象を指す。
ピア・エフェクト(英: Peer effect)とは、ピア・エクスポージャーのレベルが異なる個人の対実的な結果の差であり、ピアの処置、行動、行動に個人が暴露される程度である。
ピアエフェクトを推定するには、ピアエフェクトの表現方法を決定する必要がある。
通常、研究者はピア治療を集約し、ピア露光を出力する露光マッピング関数を定義している。
露光マッピング関数を定義するための既存のアプローチは、処理されたピアの数や分数に基づいてピア露光を仮定する。
近年の研究では、異なるピアが異なるレベルの影響を及ぼせることを捉える、ピア露光のより複雑な機能について研究されている。
しかしながら、これらの研究は露光写像関数を自動学習する問題を明示的に考慮していない。
本研究は,異質なピアエフェクトを推定するために,この関数を学習することに焦点を当てる。
我々は,グラフニューラルネットワーク(GNN)に基づくEgoNetGNNを開発し,局所的な近傍構造やエッジ属性を含む複雑なピア影響機構を実現するために,適切な露光マッピング関数を自動学習する。
対象者の数や分数に基づくピア露光を用いたGNNモデルや,そのような影響メカニズムを考慮に入れたピア露光の難易度を学習するGNNモデルについて述べる。
合成および半合成ネットワークデータに対する包括的評価により,本手法は,最先端のベースラインと比較した場合の異種ピア効果を推定する場合,未知の影響メカニズムに対してより堅牢であることが示された。
関連論文リスト
- Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - Contagion Effect Estimation Using Proximal Embeddings [17.483428990993744]
感染効果は、ソーシャルネットワークにおける個人の結果に対する仲間の行動の因果効果を指す。
既存のプロキシベースの感染効果推定法は、プロキシが高次元である場合、非常に高いばらつきを持つ。
本稿では,変分オートエンコーダと対向ネットワークを統合した新しいフレームワーク Proximal Embeddings (ProEmb) を提案する。
論文 参考訳（メタデータ） (2023-06-04T20:55:13Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - Inferring Individual Direct Causal Effects Under Heterogeneous Peer Influence [10.609670658904562]
ネットワークにおける因果推論は、ユニットの結果がピアの治療や結果に影響された場合に発生する干渉を考慮に入れなければならない。
本稿では,ネットワーク構造,干渉条件,因果依存性に関する様々な仮定を捉えることができるネットワークの構造因果モデルを提案する。
因果モデルを用いて、潜在的な異種コンテキストを見つけ、個別の因果効果を推定する新しいグラフニューラルネットワークに基づく推定器を提案する。
論文 参考訳（メタデータ） (2023-05-27T13:57:26Z) - I am Only Happy When There is Light: The Impact of Environmental Changes
on Affective Facial Expressions Recognition [65.69256728493015]
本研究では,異なる画像条件が人間の表情からの覚醒の認識に与える影響について検討した。
以上の結果から,人間の感情状態の解釈が肯定的,否定的に大きく異なることが示唆された。
論文 参考訳（メタデータ） (2022-10-28T16:28:26Z) - Learning Causal Effects on Hypergraphs [33.41001768564952]
我々は因果性の観点からハイパーグラフを研究する。
本研究では,高次干渉モデルについて検討し,ハイパーグラフニューラルネットワークを用いた新たな因果学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-07T23:14:10Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳（メタデータ） (2022-04-26T09:20:27Z) - Identifying Peer Influence in Therapeutic Communities Adjusting for Latent Homophily [1.6385815610837167]
薬物乱用や犯罪行為に対する対人的役割モデルの影響について検討した。
観測データに観測されていないホモフィリーが存在する場合のピアの影響を同定するために,潜時変動モデルを用いてネットワークをモデル化する。
以上の結果から,友人の卒業が住民の卒業に与える影響は,性別,人種,役割モデルの効果の定義によって異なることが示唆された。
論文 参考訳（メタデータ） (2022-03-27T06:47:28Z) - Information Interaction Profile of Choice Adoption [2.9972063833424216]
相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。
相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。
ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
論文 参考訳（メタデータ） (2021-04-28T10:42:25Z) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳（メタデータ） (2020-07-01T17:29:57Z) - Interference and Generalization in Temporal Difference Learning [86.31598155056035]
時間差学習における一般化と干渉の関係について検討する。
教師付き学習ではTDが容易に低干渉,低一般化パラメータにつながり,その効果は逆のように見える。
論文 参考訳（メタデータ） (2020-03-13T15:49:58Z)
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。