論文の概要: On Evolution-Based Models for Experimentation Under Interference

• arxiv url: http://arxiv.org/abs/2511.21675v1
• Date: Wed, 26 Nov 2025 18:53:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.257057
• Title: On Evolution-Based Models for Experimentation Under Interference
• Title（参考訳）: 干渉下における実験のための進化モデルについて
• Authors: Sadegh Shirani, Mohsen Bayati,
• Abstract要約: 我々は、介入に応じて観察ラウンド間で結果がどのように変化するかを研究する進化に基づくアプローチについて研究する。 我々は、この手法のインスタンス化として、高密度ネットワークにおける因果メッセージパッシングを強調した。 このアプローチの限界について議論し、強い時間的傾向や内因性干渉が識別を損なう可能性があることを示す。
• 参考スコア（独自算出の注目度）: 7.262048441360133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal effect estimation in networked systems is central to data-driven decision making. In such settings, interventions on one unit can spill over to others, and in complex physical or social systems, the interaction pathways driving these interference structures remain largely unobserved. We argue that for identifying population-level causal effects, it is not necessary to recover the exact network structure; instead, it suffices to characterize how those interactions contribute to the evolution of outcomes. Building on this principle, we study an evolution-based approach that investigates how outcomes change across observation rounds in response to interventions, hence compensating for missing network information. Using an exposure-mapping perspective, we give an axiomatic characterization of when the empirical distribution of outcomes follows a low-dimensional recursive equation, and identify minimal structural conditions under which such evolution mappings exist. We frame this as a distributional counterpart to difference-in-differences. Rather than assuming parallel paths for individual units, it exploits parallel evolution patterns across treatment scenarios to estimate counterfactual trajectories. A key insight is that treatment randomization plays a role beyond eliminating latent confounding; it induces an implicit sampling from hidden interference channels, enabling consistent learning about heterogeneous spillover effects. We highlight causal message passing as an instantiation of this method in dense networks while extending to more general interference structures, including influencer networks where a small set of units drives most spillovers. Finally, we discuss the limits of this approach, showing that strong temporal trends or endogenous interference can undermine identification.
• Abstract（参考訳）: ネットワークシステムにおける因果効果の推定は、データ駆動意思決定の中心である。 このような環境では、あるユニットへの干渉は他のユニットにこぼれ、複雑な物理的または社会的システムでは、これらの干渉構造を駆動する相互作用経路は、ほとんど観測されていないままである。 我々は、人口レベルの因果効果を特定するためには、正確なネットワーク構造を復元する必要はなく、その代わりに、それらの相互作用が結果の進化にどのように貢献するかを特徴づけるのに十分であると主張している。 この原理に基づいて、介入に応じて観察ラウンド間で結果がどのように変化するのかを考察し、ネットワーク情報の欠落を補う進化的アプローチを考察する。 露光マッピングの観点から,実験結果の分布が低次元再帰方程式に従う場合の公理的特徴を与え,そのような進化写像が存在する最小構造条件を同定する。 私たちはこれを差分差分に相当する分布として捉えています。 個々の単位の並列経路を仮定するのではなく、処理シナリオをまたいだ並列進化パターンを利用して、反現実的軌跡を推定する。 鍵となる洞察は、治療のランダム化が潜伏する欠陥を排除し、隠れた干渉チャネルから暗黙のサンプリングを誘導し、不均一な流出効果について一貫した学習を可能にすることである。 我々は、この手法を高密度ネットワークで実現しつつ、インフルエンサーネットワークを含むより一般的な干渉構造に拡張しながら、因果メッセージパッシングを、この手法のインスタンス化として強調する。 最後に、この手法の限界について議論し、強い時間的傾向や内因性干渉が識別を損なう可能性があることを示す。

関連論文リスト

• Estimating Treatment Effects in Networks using Domain Adversarial Training [4.664495510551647]
  ネットワーク設定における不均一な処理効果の推定は、干渉によって複雑になる。 本稿では,グラフニューラルネットワークとドメイン逆学習を統合する新しい手法HINetを提案する。
  論文  参考訳（メタデータ） (2025-10-24T13:34:43Z)
• Can We Validate Counterfactual Estimations in the Presence of General Network Interference? [13.49152464081862]
  我々は、因果推論における推定と検証の両方に機械学習ツールを使うことを容易にするフレームワークを導入する。 新しい分布保存ネットワークブートストラップは、単一実験のデータから統計的に有意なサブポピュレーションを生成する。 ファクトファクトのクロスバリデーション手順は、モデル検証の原則を因果的設定のユニークな制約に適応させる。
  論文  参考訳（メタデータ） (2025-02-03T06:51:04Z)
• 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)
• Causal Message Passing for Experiments with Unknown and General Network Interference [5.294604210205507]
  複雑で未知のネットワーク干渉に対応する新しいフレームワークを提案する。 我々のフレームワークは因果的メッセージパッシングと呼ばれ、高次元近似的メッセージパッシング手法に基づいている。 本手法の有効性を5つの数値シナリオで示す。
  論文  参考訳（メタデータ） (2023-11-14T17:31:50Z)
• 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)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• Interference and Generalization in Temporal Difference Learning [86.31598155056035]
  時間差学習における一般化と干渉の関係について検討する。 教師付き学習ではTDが容易に低干渉,低一般化パラメータにつながり,その効果は逆のように見える。
  論文  参考訳（メタデータ） (2020-03-13T15:49:58Z)

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。