論文の概要: Local Interference: Removing Interference Bias in Semi-Parametric Causal Models
- arxiv url: http://arxiv.org/abs/2503.18756v1
- Date: Mon, 24 Mar 2025 15:06:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:34:59.211517
- Title: Local Interference: Removing Interference Bias in Semi-Parametric Causal Models
- Title（参考訳）: 局所干渉:半パラメトリック因果モデルにおける干渉バイアスの除去
- Authors: Michael O'Riordan, Ciarán M. Gilligan-Lee,
- Abstract要約: 干渉バイアスは、現実世界の設定における因果関係を識別する主要な障害である。
局所的干渉を伴う因果モデルの新たな定義を開発する。
我々は, 正平均因果効果がある種の半パラメトリックモデルで同定可能であることを証明した。
- 参考スコア（独自算出の注目度）: 1.1510009152620668
- License:
- Abstract: Interference bias is a major impediment to identifying causal effects in real-world settings. For example, vaccination reduces the transmission of a virus in a population such that everyone benefits -- even those who are not treated. This is a source of bias that must be accounted for if one wants to learn the true effect of a vaccine on an individual's immune system. Previous approaches addressing interference bias require strong domain knowledge in the form of a graphical interaction network fully describing interference between units. Moreover, they place additional constraints on the form the interference can take, such as restricting to linear outcome models, and assuming that interference experienced by a unit does not depend on the unit's covariates. Our work addresses these shortcomings. We first provide and justify a novel definition of causal models with local interference. We prove that the True Average Causal Effect, a measure of causality where interference has been removed, can be identified in certain semi-parametric models satisfying this definition. These models allow for non-linearity, and also for interference to depend on a unit's covariates. An analytic estimand for the True Average Causal Effect is given in such settings. We further prove that the True Average Causal Effect cannot be identified in arbitrary models with local interference, showing that identification requires semi-parametric assumptions. Finally, we provide an empirical validation of our method on both simulated and real-world datasets.
- Abstract（参考訳）: 干渉バイアスは、現実世界の設定における因果関係を識別する主要な障害である。
例えば、ワクチン接種によって集団内のウイルスの感染が減少し、治療を受けていない人でさえ、誰もが恩恵を受けられるようになる。
これは、個人の免疫系に対するワクチンの本当の効果を知りたい場合、考慮しなければならないバイアスの源である。
干渉バイアスに対処する従来のアプローチは、ユニット間の干渉を完全に記述したグラフィカル相互作用ネットワークという形で、強力なドメイン知識を必要とする。
さらに、線形結果モデルに制限を加えることや、ユニットが経験した干渉がユニットの共変量に依存しないという仮定など、干渉が取ることのできる形式にさらなる制約を課す。
私たちの仕事はこれらの欠点に対処する。
まず、局所的な干渉を伴う因果モデルの新たな定義を提供し、正当化する。
我々は、干渉が除去された因果関係の尺度であるTrue Average Causal Effectが、この定義を満たすある種の半パラメトリックモデルで特定できることを証明した。
これらのモデルは非線型性を可能にし、干渉はユニットの共変量に依存する。
このような環境では、True Average Causal Effectの分析値が与えられる。
さらに、局所的干渉を伴う任意のモデルでは、真の平均因果効果は特定できないことを示し、同定には半パラメトリックな仮定が必要であることを示す。
最後に,シミュレーションと実世界の両方のデータセット上で,本手法の実証検証を行う。
関連論文リスト
- What is causal about causal models and representations? [5.128695263114213]
因果ベイズネットワークは介入分布の予測を行うため「因果」モデルである。
このような因果モデル予測と実世界の成果を結びつけるためには、どの行動がモデル内のどの介入に対応するかを決定する必要がある。
我々は、介入の正確さとして、行動の異なる解釈にそのような要件を課すための正式な枠組みを導入する。
論文 参考訳（メタデータ） (2025-01-31T17:35:21Z) - Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。
本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
論文 参考訳（メタデータ） (2024-11-21T10:37:57Z) - Estimating Treatment Effects Under Heterogeneous Interference [24.714971680893402]
本稿では,多様な近隣住民の情報を集約する新しいアーキテクチャを開発することにより,異種干渉をモデル化する新しい手法を提案する。
提案手法は,同一ビュー情報を集約するグラフニューラルネットワーク,異なるビューから情報を集約するメカニズム,注目メカニズムを含む。
論文 参考訳（メタデータ） (2023-09-25T05:44:17Z) - 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) - 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) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - 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) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳（メタデータ） (2020-11-04T10:25:13Z)
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。