論文の概要: Learning to target with network interference

• arxiv url: http://arxiv.org/abs/2605.27794v1
• Date: Wed, 27 May 2026 00:28:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.621205
• Title: Learning to target with network interference
• Title（参考訳）: ネットワーク干渉による標的学習
• Abstract要約: 本研究では,ネットワーク干渉下での適応的ターゲティングについて検討した。 まず、ネットワーク構造を無視し、問題を通常の線形帯域に還元することで、必然的に非効率な学習につながることを示す。
• 参考スコア（独自算出の注目度）: 31.232735758055714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies adaptive targeting under network interference in a bandit setting, where treatments applied to one individual may affect others through spillover effects. We consider a linear model in a sparse regime, where each individual's outcome can be affected by at most a few others. We first establish a regret lower bound showing that ignoring the network structure and reducing the problem to a standard linear bandit inevitably leads to inefficient learning, particularly in large populations. To understand how structural information can be leveraged, we analyze regimes with varying levels of knowledge of the interference structure: (1) full support knowledge, (2) knowledge of the column support sizes, and (3) no prior knowledge. For each regime, we establish regret lower bounds characterizing the fundamental limits of learning, and develop algorithms that achieve near-optimal regret. Together, our results provide a unified view of how knowledge of the interference structure governs the efficiency of online learning under interference, and offer practical adaptive targeting algorithms in each setting. Numerical experiments on synthetic and real-world data demonstrate the practical benefits of our algorithms.
• Abstract（参考訳）: 本稿では,ネットワーク干渉下での適応的ターゲティングについて検討する。 我々は、個々の結果が少なくとも少数の他の結果に影響されるようなスパース体制における線形モデルを考える。 まず,ネットワーク構造を無視し,問題を標準線形帯域に還元することで,非効率な学習,特に大集団において必然的に非効率な学習につながることを示す。 構造情報の活用方法を理解するため,(1)完全なサポート知識,(2)列のサポートサイズに関する知識,(3)事前知識のない体制を解析した。 各体制において,学習の基本的限界を特徴付ける後悔の低い境界を確立し,ほぼ最適に後悔するアルゴリズムを開発する。 本研究では, 干渉構造に関する知識が, 干渉下でのオンライン学習の効率をどのように支配するかを統一的に把握し, それぞれの環境に適応的ターゲティングアルゴリズムを提供する。 合成および実世界のデータに関する数値実験は、我々のアルゴリズムの実用的な利点を実証する。

関連論文リスト

• Understanding Catastrophic Interference: On the Identifibility of Latent Representations [67.05452287233122]
  破滅的な干渉、あるいは破滅的な忘れ(Caastrophic forgetting)は、機械学習の根本的な課題である。 本稿では,破滅的干渉を識別問題として定式化する新しい理論枠組みを提案する。 我々のアプローチは、合成データセットとベンチマークデータセットの両方で理論的保証と実用的なパフォーマンスの改善を提供する。
  論文  参考訳（メタデータ） (2025-09-27T00:53:32Z)
• Fairness, Accuracy, and Unreliable Data [0.0]
  本論文は,機械学習の信頼性向上を目的とした3つの領域,機械学習の公正性,戦略的分類,アルゴリズム的堅牢性について考察する。 この論文全体のテーマは、古典的な学習理論の仮定と、野生におけるデータ分布の特定の性質とのミスマッチのため、平易な経験的リスク最小化アルゴリズムが誤解を招くか、効果がないかという方法を考えることである。
  論文  参考訳（メタデータ） (2024-08-28T17:44:08Z)
• Doubly Robust Causal Effect Estimation under Networked Interference via Targeted Learning [24.63284452991301]
  ネットワーク干渉下での2つの頑健な因果効果推定器を提案する。 具体的には,対象とする学習手法をネットワーク干渉設定に一般化する。 我々は、同定された理論条件を目標損失に変換することによって、エンドツーエンドの因果効果推定器を考案する。
  論文  参考訳（メタデータ） (2024-05-06T10:49:51Z)
• Structural hierarchical learning for energy networks [1.2599533416395767]
  本研究では,階層構造のトポロジ的構造にインスパイアされた,カスタムニューラルネットワークの設計について検討する。 その結果、データ制限のある環境では、コネクションが少ない構造モデルが全体として最高のパフォーマンスを発揮することが判明した。 全体として、この研究は構造的スケールの学習メカニズムの拡張により階層的な学習方法を拡張し、改善する。
  論文  参考訳（メタデータ） (2023-02-08T10:28:32Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Algorithms and Theory for Supervised Gradual Domain Adaptation [19.42476993856205]
  本研究では, 学習者に対して, 学習経路に沿った変化分布からラベル付きデータを利用できるようにするための, 教師付き段階的領域適応の課題について検討する。 この設定の下では、軽度な仮定の下で学習誤差に関する最初の一般化上限を提供する。 本研究の結果は, 損失関数の範囲に依存しないアルゴリズムであり, 軌道上の平均学習誤差にのみ依存する。
  論文  参考訳（メタデータ） (2022-04-25T13:26:11Z)
• 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)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Towards a practical measure of interference for reinforcement learning [37.1734757628306]
  破滅的な干渉は、多くのネットワークベースの学習システムで一般的である。 強化学習における制御のための干渉の定義を提供する。 我々の新しい干渉対策は、一般的に使われているディープラーニングアーキテクチャについて、新しい科学的疑問を提起することを可能にする。
  論文  参考訳（メタデータ） (2020-07-07T22:02:00Z)

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。