論文の概要: Peer Effect Estimation in the Presence of Simultaneous Feedback and Unobserved Confounders

• arxiv url: http://arxiv.org/abs/2508.09154v1
• Date: Tue, 05 Aug 2025 05:49:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.560019
• Title: Peer Effect Estimation in the Presence of Simultaneous Feedback and Unobserved Confounders
• Title（参考訳）: 同時フィードバック・無観測共同設立者の有無におけるピアエフェクト推定
• Authors: Xiaojing Du, Jiuyong Li, Lin Liu, Debo Cheng, Thuc. Le,
• Abstract要約: 既存の方法は、同時にフィードバックを無視しながら、観測されていない共同創設者に対処するか、あるいは、制限された線形仮定の下でフィードバックを考慮に入れます。 DIG2RSIは,同時フィードバックと非観測共起の両方に対処する新しいディープラーニングフレームワークである。 我々は、標準条件下での推定器の整合性を証明し、真のピア効果の回復を確実にする。
• 参考スコア（独自算出の注目度）: 16.96064437725128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating peer causal effects within complex real-world networks such as social networks is challenging, primarily due to simultaneous feedback between peers and unobserved confounders. Existing methods either address unobserved confounders while ignoring the simultaneous feedback, or account for feedback but under restrictive linear assumptions, thus failing to obtain accurate peer effect estimation. In this paper, we propose DIG2RSI, a novel Deep learning framework which leverages I-G transformation (matrix operation) and 2SRI (an instrumental variable or IV technique) to address both simultaneous feedback and unobserved confounding, while accommodating complex, nonlinear and high-dimensional relationships. DIG2RSI first applies the I-G transformation to disentangle mutual peer influences and eliminate the bias due to the simultaneous feedback. To deal with unobserved confounding, we first construct valid IVs from network data. In stage 1 of 2RSI, we train a neural network on these IVs to predict peer exposure, and extract residuals as proxies for the unobserved confounders. In the stage 2, we fit a separate neural network augmented by an adversarial discriminator that incorporates these residuals as a control function and enforces the learned representation to contain no residual confounding signal. The expressive power of deep learning models in capturing complex non-linear relationships and adversarial debiasing enhances the effectiveness of DIG2RSI in eliminating bias from both feedback loops and hidden confounders. We prove consistency of our estimator under standard regularity conditions, ensuring asymptotic recovery of the true peer effect. Empirical results on two semi-synthetic benchmarks and a real-world dataset demonstrate that DIG2RSI outperforms existing approaches.
• Abstract（参考訳）: ソーシャルネットワークのような複雑な現実世界のネットワーク内でピア因果効果を推定することは、主にピアと未観測の共同創業者の同時フィードバックによって困難である。 既存の手法は、同時フィードバックを無視したまま、観測されていない共同創設者に対処するか、あるいは制限された線形仮定の下でフィードバックを考慮に入れ、正確なピアエフェクト推定を得ることができない。 本稿では,I-G変換(行列演算)と2SRI(インストゥルメンタル変数あるいはIV手法)を併用した新しいDeep LearningフレームワークであるDIG2RSIを提案する。 DIG2RSIはまずI-G変換を適用し、相互の影響を分散させ、同時フィードバックによるバイアスを取り除く。 まず,ネットワークデータから有効なIVを構築する。 2RSIのステージ1では、これらのIV上でニューラルネットワークをトレーニングし、ピア露光を予測し、観測されていない共同設立者のプロキシとして残余を抽出する。 ステージ2では、これらの残差を制御機能として組み込んだ逆判別器によって強化された別個のニューラルネットワークを適合させ、学習された表現を残差検出信号を含むように強制する。 複雑な非線形関係と対向的偏りを捉えた深層学習モデルの表現力は、フィードバックループと隠れた共同設立者の両方からのバイアスを排除したDIG2RSIの有効性を高める。 正則性条件下での推定器の整合性を証明し、真のピア効果の漸近的回復を確実にする。 2つの半合成ベンチマークと実世界のデータセットの実証結果は、DIG2RSIが既存のアプローチより優れていることを示している。

関連論文リスト

• Adjustment for Confounding using Pre-Trained Representations [2.916285040262091]
  本研究では,事前学習したニューラルネットワークの潜時的特徴をどのように活用し,共起源の調整を行うかを検討する。 ニューラルネットワークは、学習問題の空間性と次元という本質的な概念に適応することで、高速収束率を達成することができることを示す。
  論文  参考訳（メタデータ） (2025-06-17T09:11:17Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Doubly Robust Causal Effect Estimation under Networked Interference via Targeted Learning [24.63284452991301]
  ネットワーク干渉下での2つの頑健な因果効果推定器を提案する。 具体的には,対象とする学習手法をネットワーク干渉設定に一般化する。 我々は、同定された理論条件を目標損失に変換することによって、エンドツーエンドの因果効果推定器を考案する。
  論文  参考訳（メタデータ） (2024-05-06T10:49:51Z)
• Contrastive variational information bottleneck for aspect-based sentiment analysis [36.83876224466177]
  CVIB(Contrastive Variational Information Bottleneck)フレームワークを用いて,アスペクトベース感情分析(ABSA)の素早い相関性を低減することを提案する。 提案するCVIBフレームワークは,元のネットワークと自走ネットワークで構成され,これら2つのネットワークは,コントラスト学習によって同時に最適化される。 提案手法は, 全体的な予測性能, 堅牢性, 一般化の点で, 強力な競合相手よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-03-06T02:52:37Z)
• Explicit Tradeoffs between Adversarial and Natural Distributional Robustness [48.44639585732391]
  実際、モデルは信頼性を確保するために両方のタイプの堅牢さを享受する必要があります。 本研究では, 対角線と自然分布の強靭性の間には, 明らかなトレードオフが存在することを示す。
  論文  参考訳（メタデータ） (2022-09-15T19:58:01Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
  我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。 提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T10:00:45Z)

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。