論文の概要: Estimating Heterogeneous Causal Effect on Networks via Orthogonal Learning

• arxiv url: http://arxiv.org/abs/2509.18484v1
• Date: Tue, 23 Sep 2025 00:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.620499
• Title: Estimating Heterogeneous Causal Effect on Networks via Orthogonal Learning
• Title（参考訳）: 直交学習によるネットワークの不均一因果効果の推定
• Authors: Yuanchen Wu, Yubai Yuan,
• Abstract要約: ネットワーク上の因果効果を推定することは、科学的研究と実践的応用にとって重要である。 ネットワーク上での不均一な直接的および余剰な効果を推定する2段階の手法を提案する。
• 参考スコア（独自算出の注目度）: 8.45884756677776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating causal effects on networks is important for both scientific research and practical applications. Unlike traditional settings that assume the Stable Unit Treatment Value Assumption (SUTVA), interference allows an intervention/treatment on one unit to affect the outcomes of others. Understanding both direct and spillover effects is critical in fields such as epidemiology, political science, and economics. Causal inference on networks faces two main challenges. First, causal effects are typically heterogeneous, varying with unit features and local network structure. Second, connected units often exhibit dependence due to network homophily, creating confounding between structural correlations and causal effects. In this paper, we propose a two-stage method to estimate heterogeneous direct and spillover effects on networks. The first stage uses graph neural networks to estimate nuisance components that depend on the complex network topology. In the second stage, we adjust for network confounding using these estimates and infer causal effects through a novel attention-based interference model. Our approach balances expressiveness and interpretability, enabling downstream tasks such as identifying influential neighborhoods and recovering the sign of spillover effects. We integrate the two stages using Neyman orthogonalization and cross-fitting, which ensures that errors from nuisance estimation contribute only at higher order. As a result, our causal effect estimates are robust to bias and misspecification in modeling causal effects under network dependencies.
• Abstract（参考訳）: ネットワーク上の因果効果を推定することは、科学的研究と実践的応用の両方において重要である。 安定単位処理値推定(SUTVA)を仮定する従来の設定とは異なり、干渉は一方のユニットに対する介入/処理を他のユニットの結果に影響を与える。 直接効果と漏えい効果の両方を理解することは疫学、政治科学、経済学などの分野において重要である。 ネットワーク上の因果推論は2つの大きな課題に直面している。 まず、因果効果は典型的には不均一であり、単位特徴や局所ネットワーク構造によって異なる。 第二に、連結ユニットはネットワークのホモフィリエによる依存をしばしば示し、構造的相関と因果効果の相違を生じる。 本稿では,ネットワーク上での不均一な直接的および余剰効果を推定する2段階の手法を提案する。 第1段階では、複雑なネットワークトポロジに依存するニュアンスコンポーネントを推定するために、グラフニューラルネットワークを使用する。 第2段階では、これらの推定値を用いてネットワークの共起を調整し、新しい注意に基づく干渉モデルにより因果効果を推定する。 提案手法は, 表現性と解釈可能性のバランスを保ち, 影響力のある地域を識別し, 流出効果の兆候を回復するといった下流作業を可能にする。 ナイマン直交化とクロスフィッティングの2つの段階を統合し、ニュアンス推定の誤差がより高い順序でのみ寄与することを保証する。 その結果,ネットワーク依存下での因果効果のモデル化において,因果効果推定はバイアスや不特定性に対して頑健であることがわかった。

関連論文リスト

• Bayesian Estimation of Causal Effects Using Proxies of a Latent Interference Network [0.39462888523270856]
  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。
  論文  参考訳（メタデータ） (2025-05-13T09:46:30Z)
• Enforcing Fundamental Relations via Adversarial Attacks on Input Parameter Correlations [76.2226569692207]
  入力パラメータ間の相関は、多くの科学的分類タスクにおいて重要な役割を果たす。 我々はRandom Distribution Shuffle Attack (RDSA)と呼ばれる新たな敵攻撃アルゴリズムを提案する。 6つの分類課題においてRDSAの有効性を示す。
  論文  参考訳（メタデータ） (2025-01-09T21:45:09Z)
• 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)
• Estimating Peer Direct and Indirect Effects in Observational Network Data [16.006409149421515]
  本稿では、ピア直接効果とピア間接効果の両方を考慮し、個人自身の治療の効果を考慮に入れた一般的な設定を提案する。 注意機構を用いて、異なる隣人の影響を識別し、グラフニューラルネットワークによる高次隣人効果を探索する。 理論的には,ネットワークシステムにおける介入戦略を改善する可能性があり,ソーシャルネットワークや疫学などの分野にも応用できる。
  論文  参考訳（メタデータ） (2024-08-21T10:02:05Z)
• Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects [17.44202934049009]
  本稿では,グラフ機械学習アプローチとダブル機械学習フレームワークを組み合わせた新しい手法を提案する。 提案手法は,広範囲なシミュレーション研究を通じて,正確で堅牢でスケーラブルであることを示す。
  論文  参考訳（メタデータ） (2024-03-17T20:23:42Z)
• Hierarchical Graph Neural Networks for Causal Discovery and Root Cause Localization [52.72490784720227]
  REASONはTopological Causal DiscoveryとPersonal Causal Discoveryで構成されている。 Topological Causal Discoveryコンポーネントは、根本原因を辿るために断層伝播をモデル化することを目的としている。 個々の因果発見コンポーネントは、単一のシステムエンティティの突然の変化パターンのキャプチャに重点を置いている。
  論文  参考訳（メタデータ） (2023-02-03T20:17:45Z)
• 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)
• Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
  本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。 我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。 本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-01T00:58:54Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。