論文の概要: Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework

• arxiv url: http://arxiv.org/abs/2602.03459v1
• Date: Tue, 03 Feb 2026 12:27:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.442642
• Title: Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework
• Title（参考訳）: ミス特定露光マッピングに基づくネットワーク上の因果推論:部分同定フレームワーク
• Authors: Maresa Schröder, Miruna Oprescu, Stefan Feuerriegel, Nathan Kallus,
• Abstract要約: ネットワーク上の因果推論のための新しい部分同定フレームワークを提案する。 露光マッピングの誤用下では, 直接的および漏出的効果に対して, 鋭い上下境界を導出する。 実験の結果, 境界は情報的であり, 露光写像の誤特定の下では信頼性の高い結論が得られた。
• 参考スコア（独自算出の注目度）: 66.59051888063665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating treatment effects in networks is challenging, as each potential outcome depends on the treatments of all other nodes in the network. To overcome this difficulty, existing methods typically impose an exposure mapping that compresses the treatment assignments in the network into a low-dimensional summary. However, if this mapping is misspecified, standard estimators for direct and spillover effects can be severely biased. We propose a novel partial identification framework for causal inference on networks to assess the robustness of treatment effects under misspecifications of the exposure mapping. Specifically, we derive sharp upper and lower bounds on direct and spillover effects under such misspecifications. As such, our framework presents a novel application of causal sensitivity analysis to exposure mappings. We instantiate our framework for three canonical exposure settings widely used in practice: (i) weighted means of the neighborhood treatments, (ii) threshold-based exposure mappings, and (iii) truncated neighborhood interference in the presence of higher-order spillovers. Furthermore, we develop orthogonal estimators for these bounds and prove that the resulting bound estimates are valid, sharp, and efficient. Our experiments show the bounds remain informative and provide reliable conclusions under misspecification of exposure mappings.
• Abstract（参考訳）: ネットワーク内の処理効果の推定は、ネットワーク内の他のすべてのノードの処理に依存するため、困難である。 この難しさを克服するため、既存の方法では、ネットワーク内の処理の割り当てを低次元の要約に圧縮する露光マッピングを課すのが一般的である。 しかし、この写像が不特定であれば、直接的および余分な効果の標準推定器は深刻なバイアスを受けることができる。 本研究では,ネットワーク上の因果推論のための新しい部分同定フレームワークを提案し,露光マッピングの誤特定による治療効果のロバスト性を評価する。 具体的には,このような不特定条件下での直接的および脱落効果に対して,鋭い上下境界を導出する。 そこで本フレームワークは,露出マッピングへの因果感度解析の新たな応用を提案する。 実際に広く使われている3つの標準露光設定のために、我々のフレームワークをインスタンス化する。 一 近所の待遇の重み付け方法 (二)閾値に基づく露光マッピング、及び (三)高次流出の有無による近隣干渉の抑制。 さらに、これらの境界に対する直交推定器を開発し、その結果の有界推定が有効で、鋭く、効率的であることを証明した。 実験の結果, 境界は情報的であり, 露光写像の誤特定の下では信頼性の高い結論が得られた。

関連論文リスト

• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• 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)
• 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)
• Proximal Inference on Population Intervention Indirect Effect [8.296034406842345]
  人口介入間接効果(英: Population intervention indirect effect、PIIE)は、人口介入効果の間接成分を表す新しい媒介効果である。 本稿では,未測定の共同創設者が被曝・被曝・被曝・被曝・被曝・被曝関係に影響を及ぼすような環境下でのPIIE識別フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-16T08:14:55Z)
• 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)
• 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)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。