論文の概要: Dynamic Treatment on Networks

• arxiv url: http://arxiv.org/abs/2605.06564v1
• Date: Thu, 07 May 2026 16:58:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:12.015536
• Title: Dynamic Treatment on Networks
• Title（参考訳）: ネットワークの動的処理
• Authors: Bengusu Nar, Jiguang Li, Veronika Ročková, Panos Toulis,
• Abstract要約: ネットワークにおいて、効果的な動的処理割り当ては、引きこぼしによるポリシーの影響を増幅するために、誰が扱うか、いつ扱うかを決定する必要がある。 本稿では,ベイズ力学Isingモデルを用いて,1つの観測パネルからネットワーク適用動態を推定する3段階パイプラインQ-Isingを提案する。 本研究では,インド・ビレッジのマイクロファイナンスネットワークと人工ブロックモデルを用いて,異種性感受性感受性(SIS)動態のシミュレーションを行った。
• 参考スコア（独自算出の注目度）: 0.7349727826230862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In networks, effective dynamic treatment allocation requires deciding both whom to treat and also when, so as to amplify policy impact through spillovers. An early intervention at a well-connected node can trigger cascades that change which nodes are worth targeting in the next period. Existing treatment strategies under network interference are largely static while dynamic treatment frameworks typically ignore network structure altogether. We integrate these perspectives and propose Q-Ising, a three-stage pipeline that (i) estimates network adoption dynamics via a Bayesian dynamic Ising model from a single observed panel, (ii) augments treatment adoption histories with continuous posterior latent states, and (iii) learns a dynamic policy via offline reinforcement learning. The Bayesian mechanism enables uncertainty quantification over dynamic decisions, yielding posterior ensemble policies with interpretable spillover estimates. We provide a finite-sample regret upper bound that decomposes into standard offline-RL uncertainty, network abstraction error, and first stage error in Ising state estimation. We apply our method to data from Indian village microfinance networks and synthetic stochastic block models under simulated heterogeneous susceptible-infected-susceptible (SIS) dynamics and demonstrate that adaptive targeting outperforms static centrality benchmarks.
• Abstract（参考訳）: ネットワークにおいて、効果的な動的処理割り当ては、引きこぼしによるポリシーの影響を増幅するために、誰が扱うか、いつ扱うかを決定する必要がある。 十分に接続されたノードでの早期介入は、次の期間にどのノードがターゲットになるべきかを変更するカスケードをトリガーすることができる。 ネットワーク干渉下での既存の処理戦略は大部分が静的であり、動的処理フレームワークは一般的にネットワーク構造を完全に無視する。 これらの視点を統合して,3段階のパイプラインであるQ-Isingを提案する。 (i)ベイズ力学イジングモデルによるネットワーク適用動態を1つの観測パネルから推定する。 (二)連続した後遺症状態を有する治療導入履歴を増補し、 三 オフライン強化学習により動的政策を学ぶこと。 ベイズ機構は、動的決定に対する不確実な定量化を可能にし、解釈可能な流出推定を伴う後続のアンサンブルポリシーをもたらす。 Ising状態推定における標準オフラインRL不確実性、ネットワーク抽象誤差、第1ステージ誤差に分解される有限サンプル後悔上限を提供する。 本研究では,インド村のマイクロファイナンスネットワークと人工確率ブロックモデルを用いて,異種性感受性感受性(SIS)の動態をシミュレーションし,適応的ターゲティングが静的中央性ベンチマークより優れていることを示す。

関連論文リスト

• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Contractive Dynamical Imitation Policies for Efficient Out-of-Sample Recovery [3.549243565065057]
  模倣学習(imitation learning)は、専門家の行動からポリシーを学ぶための、データ駆動型アプローチである。 OOS(Out-of-sample)領域では信頼性の低い結果が出る傾向がある。 本稿では,契約型力学系をモデルとした政策学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-10T14:28:18Z)
• Amortized Network Intervention to Steer the Excitatory Point Processes [8.15558505134853]
  動的グラフ上に発生する励起点過程(すなわちイベントフロー)は、時間と空間を通じて離散事象がどのように広がるかを把握するためのきめ細かいモデルを提供する。 動的グラフ構造を変更してイベントフローを効果的に操縦する方法は、感染症の拡散を抑制する動機となる興味深い問題である。 我々はAmortized Network Interventionsフレームワークを設計し、履歴やその他のコンテキストから最適なポリシーをプールできるようにする。
  論文  参考訳（メタデータ） (2023-10-06T11:17:28Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Backpropagation on Dynamical Networks [0.0]
  本稿では,リカレントニューラルネットワークのトレーニングによく使用されるBPTTアルゴリズムに基づくネットワーク推論手法を提案する。 局所ノードダイナミクスの近似は、まずニューラルネットワークを用いて構築される。 得られた局所モデルと重み付けによるフリーラン予測性能は、真のシステムに匹敵することがわかった。
  論文  参考訳（メタデータ） (2022-07-07T05:22:44Z)
• A purely data-driven framework for prediction, optimization, and control of networked processes: application to networked SIS epidemic model [0.8287206589886881]
  我々は,大規模ネットワーク上での非線形力学の同定と制御を行う演算子理論に基づくデータ駆動型フレームワークを開発した。 提案手法では、ネットワーク構造に関する事前の知識は必要とせず、状態の2段階のスナップショットのみを用いて基礎となるダイナミクスを識別する。
  論文  参考訳（メタデータ） (2021-08-01T03:57:10Z)

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。