論文の概要: Estimating Causal Effects in Networks with Cluster-Based Bandits

• arxiv url: http://arxiv.org/abs/2505.04200v1
• Date: Wed, 07 May 2025 07:54:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:36.004014
• Title: Estimating Causal Effects in Networks with Cluster-Based Bandits
• Title（参考訳）: クラスタベース帯域を持つネットワークにおける因果効果の推定
• Authors: Ahmed Sayeed Faruk, Jason Sulskis, Elena Zheleva,
• Abstract要約: A/Bテストは、一般的にソーシャルネットワークで発生する干渉の存在において困難である。 A/Bテストは、治療アームの一方がパフォーマンスが悪く、個人を治療し続けると、高いパフォーマンスの損失を引き起こす可能性がある。 2つのクラスタベースマルチアームバンド(MAB)アルゴリズムを導入し,ネットワークの処理効果を徐々に推定する。
• 参考スコア（独自算出の注目度）: 9.44005043802119
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The gold standard for estimating causal effects is randomized controlled trial (RCT) or A/B testing where a random group of individuals from a population of interest are given treatment and the outcome is compared to a random group of individuals from the same population. However, A/B testing is challenging in the presence of interference, commonly occurring in social networks, where individuals can impact each others outcome. Moreover, A/B testing can incur a high performance loss when one of the treatment arms has a poor performance and the test continues to treat individuals with it. Therefore, it is important to design a strategy that can adapt over time and efficiently learn the total treatment effect in the network. We introduce two cluster-based multi-armed bandit (MAB) algorithms to gradually estimate the total treatment effect in a network while maximizing the expected reward by making a tradeoff between exploration and exploitation. We compare the performance of our MAB algorithms with a vanilla MAB algorithm that ignores clusters and the corresponding RCT methods on semi-synthetic data with simulated interference. The vanilla MAB algorithm shows higher reward-action ratio at the cost of higher treatment effect error due to undesired spillover. The cluster-based MAB algorithms show higher reward-action ratio compared to their corresponding RCT methods without sacrificing much accuracy in treatment effect estimation.
• Abstract（参考訳）: 因果効果を推定するための金の基準はランダム化比較試験(RCT)またはA/B試験(A/B test)であり、興味のある個体のランダムな集団が治療を受け、同じ集団のランダムな集団と比較される。 しかしながら、A/Bテストは、個人が互いに影響し合うソーシャルネットワークで一般的に発生する干渉の存在下では困難である。 さらに、A/Bテストは、治療アームの一方がパフォーマンスが悪く、個人を治療し続けると、高いパフォーマンスの損失を生じる可能性がある。 したがって、時間とともに適応し、ネットワーク全体の処理効果を効率的に学習する戦略を設計することが重要である。 2つのクラスタベースマルチアーム・バンディット(MAB)アルゴリズムを導入し、探索と利用のトレードオフによって期待される報酬を最大化しつつ、ネットワーク内の全処理効果を徐々に推定する。 我々は, クラスタを無視するバニラMABアルゴリズムと, 擬似干渉による半合成データに対する対応するRCT手法とを比較した。 バニラMABアルゴリズムは、不要な流出による処理効果エラーの増大を犠牲にして、より高い報酬-作用比を示す。 クラスタベースMABアルゴリズムは, 処理効果推定において高い精度を犠牲にすることなく, 対応するRTT法と比較して高い報酬-作用比を示す。

関連論文リスト

• Adaptive-TMLE for the Average Treatment Effect based on Randomized Controlled Trial Augmented with Real-World Data [0.0]
  ランダム化制御試験(RCT)データと外部実世界のデータ(RWD)の両方が利用可能である場合、平均処理効果(ATE)を推定する問題を考察する。 適応型最大推定フレームワークを導入して推定する。
  論文  参考訳（メタデータ） (2024-05-12T07:10:26Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Sample Constrained Treatment Effect Estimation [28.156207324508706]
  我々は,効率的なランダム化制御試験を設計することに集中し,治療の効果を正確に見積もる。 特に, サンプル制約による治療効果の推定について検討し, 実験を行うには, 集団から$s ll n$のサブセットを選択する必要がある。
  論文  参考訳（メタデータ） (2022-10-12T21:13:47Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• Treatment Effect Estimation with Observational Network Data using Machine Learning [3.368625253689146]
  治療効果推定のための因果推論法は、通常独立した単位を仮定する。 本研究では,1つの(社会的)ネットワークからの観測データによる期待平均処理効果(EATE)の推定と推定のための拡張逆確率重み付け(AIPW)を開発した。
  論文  参考訳（メタデータ） (2022-06-29T12:52:41Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• Estimating heterogeneous survival treatment effect in observational data using machine learning [9.951103976634407]
  観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。 対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
  論文  参考訳（メタデータ） (2020-08-17T01:02:14Z)

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。