論文の概要: Bayesian Estimation of Causal Effects Using Proxies of a Latent Interference Network

• arxiv url: http://arxiv.org/abs/2505.08395v1
• Date: Tue, 13 May 2025 09:46:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.510787
• Title: Bayesian Estimation of Causal Effects Using Proxies of a Latent Interference Network
• Title（参考訳）: 潜時干渉ネットワークのプロキシによる因果効果のベイズ推定
• Authors: Bar Weinstein, Daniel Nevo,
• Abstract要約: ネットワーク干渉は、ある単位に割り当てられた治療が他の単位の結果に影響を与える場合に起こる。 従来のアプローチでは、観測されたネットワークが干渉構造を正しく特定していると仮定することが多い。 本稿では,プロキシネットワークのみが利用できる場合の因果関係を推定するためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.39462888523270856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network interference occurs when treatments assigned to some units affect the outcomes of others. Traditional approaches often assume that the observed network correctly specifies the interference structure. However, in practice, researchers frequently only have access to proxy measurements of the interference network due to limitations in data collection or potential mismatches between measured networks and actual interference pathways. In this paper, we introduce a framework for estimating causal effects when only proxy networks are available. Our approach leverages a structural causal model that accommodates diverse proxy types, including noisy measurements, multiple data sources, and multilayer networks, and defines causal effects as interventions on population-level treatments. Since the true interference network is latent, estimation poses significant challenges. To overcome them, we develop a Bayesian inference framework. We propose a Block Gibbs sampler with Locally Informed Proposals to update the latent network, thereby efficiently exploring the high-dimensional posterior space composed of both discrete and continuous parameters. We illustrate the performance of our method through numerical experiments, demonstrating its accuracy in recovering causal effects even when only proxies of the interference network are available.
• Abstract（参考訳）: ネットワーク干渉は、ある単位に割り当てられた治療が他の単位の結果に影響を与える場合に起こる。 従来のアプローチでは、観測されたネットワークが干渉構造を正しく特定していると仮定することが多い。 しかし、実際には、研究者はデータ収集の制限や、測定されたネットワークと実際の干渉経路の間の潜在的なミスマッチのために、干渉ネットワークのプロキシ測定にのみアクセスすることができる。 本稿では,プロキシネットワークのみが利用できる場合の因果関係を推定するためのフレームワークを提案する。 提案手法では, ノイズ測定, 複数のデータソース, 多層ネットワークなど, 多様なプロキシタイプに対応する構造因果モデルを用いて, 集団レベルの治療への介入として因果効果を定義する。 真の干渉ネットワークは潜伏しているため、推定は重大な課題となる。 これらを克服するため、ベイズ推論フレームワークを開発した。 そこで我々は,局所インフォームド・プロポーザルを用いたブロックギブズ・サンプリング手法を提案し,遅延ネットワークを更新し,離散パラメータと連続パラメータの両方からなる高次元後部空間を効率的に探索する。 本稿では,干渉ネットワークのプロキシのみが利用可能であっても,因果効果を回復する際の精度を数値実験により示す。

関連論文リスト

• Online Experimental Design With Estimation-Regret Trade-off Under Network Interference [7.080131271060764]
  オンライン実験設計のための統合型干渉認識フレームワークを提案する。 既存の研究と比較して、露出マッピングの統計的概念を利用して腕の空間の定義を拡張した。 また、アルゴリズムの実装を提案し、異なる学習環境とネットワークトポロジにまたがる一般化について議論する。
  論文  参考訳（メタデータ） (2024-12-04T21:45:35Z)
• 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)
• 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)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。