論文の概要: Treatment Effect Estimation with Differentiated Networked Effect on Graph Data
- arxiv url: http://arxiv.org/abs/2605.24358v2
- Date: Wed, 27 May 2026 13:15:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:54.960095
- Title: Treatment Effect Estimation with Differentiated Networked Effect on Graph Data
- Title（参考訳）: グラフデータに対するネットワーク効果の微分による処理効果の推定
- Abstract要約: 観察グラフデータから個別治療効果(ITE)を推定することは、商業や医療などの分野における意思決定に不可欠である。
既存の手法は、正確なITE推定のためにそのような干渉をモデル化しようとする。
本稿では,2つの部分的注意機構とメッセージアンプを組み込んだ干渉モデリング機構を提案する。
- 参考スコア（独自算出の注目度）: 17.216672929380273
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating individual treatment effect (ITE) from observational graph data is crucial for decision-making in the fields such as commerce and medicine. This task is challenging due to interference, where individual outcomes can be influenced by the treatments and covariates of their neighbors. Existing methods attempt to model such interference for accurate ITE estimation. However, a critical issue is often overlooked: differentiated networked effect (DNE), an effect caused by local networks consisting of neighbors with varying importance and scales. Capturing DNE is vital; otherwise, we will end up with imprecise ITE estimation due to an erroneous characterization of interference, which can result in misguided decisions. To address this challenge, we propose a novel interference modeling mechanism that incorporates two partial attention mechanisms and a message amplifier. The partial attention mechanisms automatically estimate the importance of different neighbors in contributing to interference, while the message amplifier adjusts the results of the interference modeling mechanism based on the scale of neighbors, all of which enables the model to capture DNE. Experiments on three real-world graphs demonstrate that our methods outperform existing approaches for ITE estimation from graph data, which corroborates the importance of explicitly capturing DNE.
- Abstract（参考訳）: 観察グラフデータから個別治療効果(ITE)を推定することは、商業や医療などの分野における意思決定に不可欠である。
この課題は、個々の結果が隣人の治療や共変によって影響される、干渉によって困難である。
既存の手法は、正確なITE推定のためにそのような干渉をモデル化しようとする。
異なるネットワーク効果(DNE)は、様々な重要性と規模を持つ近隣のネットワークによって引き起こされる効果である。
DNEの取得は不可欠であり、そうでなければ、誤った干渉のキャラクタリゼーションのために不正確なITE推定に終わる。
この課題に対処するために,2つの部分的注意機構とメッセージアンプを組み込んだ干渉モデリング機構を提案する。
部分的注意機構は、干渉に寄与する隣人の重要度を自動的に推定し、メッセージ増幅器は隣人の規模に基づいて干渉モデリング機構の結果を調整する。
実世界の3つのグラフの実験により,本手法はグラフデータからITE推定を行う既存手法よりも優れており,DNEを明示的に捉えることの重要性が裏付けられている。
関連論文リスト
- Causal Gaussian Processes for Robust Treatment Effect Evaluation with Unobserved Confounding [65.76392290956525]
本稿では, 連続領域に対する因果効果の評価を, 共起観測から検討する。
我々は,任意の因果モデルの観測的および介入的分布を効果的に近似する,因果的ガウス過程(CGP)モデルの新しいファミリーを開発する。
論文 参考訳（メタデータ） (2026-06-20T00:05:25Z) - Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。
提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
論文 参考訳（メタデータ） (2025-06-06T12:43:57Z) - Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。
本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
論文 参考訳（メタデータ） (2024-11-21T10:37:57Z) - Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。
我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文 参考訳（メタデータ） (2024-11-01T18:00:51Z) - 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) - 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 Individual Treatment Effects under Heterogeneous Interference
in Networks [34.16062968227468]
ネットワーク観測データによる個々の治療効果の推定が注目されている。
ネットワークシナリオにおける大きな課題の1つは、安定した単位処理値の仮定に違反していることである。
本稿では,注目重みを同時に学習するDWRアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-10-25T15:00:05Z) - Disentangling Causal Effects from Sets of Interventions in the Presence
of Unobserved Confounders [19.32843499761667]
我々は,観察データと介入セットの両方から,単一介入の効果を学習することを目的とする。
異なるレシスタンスからデータをプールすることで因果モデルパラメータを学習するアルゴリズムを提案する。
本手法の有効性は,合成データと実世界のデータの両方で実証的に実証された。
論文 参考訳（メタデータ） (2022-10-11T13:42:36Z) - 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) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - Causal Inference under Networked Interference and Intervention Policy
Enhancement [35.149125599812706]
ランダム化実験のデータから個々の治療効果を推定することは因果推論において重要な課題である。
通常、ランダム化実験や相互接続された単位による観測実験では、干渉下でのみ治療反応を観察することができる。
本稿では,グラフの依存性を捕捉する強力なツールであるGNNを用いて,一般的なネットワーク干渉下での因果効果の推定について検討する。
論文 参考訳（メタデータ） (2020-02-20T00:35:50Z)
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。