論文の概要: Transportable Causal Effect Estimation across Networks under Interference
- arxiv url: http://arxiv.org/abs/2608.18932v1
- Date: Wed, 19 Aug 2026 14:00:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.420941
- Title: Transportable Causal Effect Estimation across Networks under Interference
- Title（参考訳）: 干渉下におけるネットワーク間の輸送性因果効果の推定
- Abstract要約: ネットワーク干渉による因果効果の推定は、通常、トレーニングに使用されるネットワークとデプロイメントに使用されるネットワークが一致すると仮定する。
我々は,展開個体群における直接,流出,および総効果の輸送公式を導出するために,選択図を用いている。
次に、この公式を、介入結果モデル、領域密度比補正、およびクロスフィット推論を組み合わせた2次ロバストアルゴリズムであるTranCEに変換する。
- 参考スコア（独自算出の注目度）: 29.48611392714692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating causal effects under network interference typically assumes that the network used for training and the network used for deployment coincide. In practice, an intervention is run on one population while the question of interest concerns a different population, and the two generally differ in topology, node-covariate composition, and spillover pathways. Transporting a causal effect across networks is therefore a data-fusion problem that no existing algorithm solves. We employ a selection diagram, extended to the network setting so that covariate shift and structural network shift enter as separate selectors, and derive from it a transport formula for the direct, spillover, and total effects in the deployment population. Each formula makes explicit which interventional mechanism is assumed invariant and which observational distribution must be reweighted. We then turn the formulas into TranCE (Transported Causal Effects), a doubly-robust algorithm combining an interventional outcome model, a domain density-ratio correction, and cross-fitted inference. Extensive experiments on two semi-synthetic benchmarks derived from real-world social networks and on a fully real weather-insurance field experiment, where the transported effects are checked against held-out randomized estimates, confirm the effectiveness of our approach. Our findings have the potential to improve intervention strategies in networked systems, particularly in social networks and public health.
- Abstract（参考訳）: ネットワーク干渉による因果効果の推定は、通常、トレーニングに使用されるネットワークとデプロイメントに使用されるネットワークが一致すると仮定する。
実際には、介入は1つの個体群で行われ、関心の問題は異なる個体群に関するものであり、2つの個体群は一般にトポロジー、ノード-共変量構成、および流出経路で異なる。
したがって、ネットワーク間で因果効果を伝達することは、既存のアルゴリズムが解決しないデータ融合の問題である。
我々は、ネットワーク設定に拡張された選択図を用いて、共変量シフトと構造的ネットワークシフトを別個のセレクタとして入力し、展開人口における直接、流出、および総効果の輸送公式から導出する。
各公式は、どの干渉機構が不変であり、どの観測分布を再重み付けする必要があるかを明示する。
そこで我々は,これらの公式を,介入結果モデル,領域密度比補正,整合推論を組み合わせた2次ロバストアルゴリズムであるTranCE(Transported Causal Effects)に変換する。
実世界のソーシャルネットワークから得られた2つの半合成ベンチマークと、輸送された効果を無作為に無作為な推定値と比較し、本手法の有効性を確認した。
本研究は,ネットワークシステム,特にソーシャルネットワークや公衆衛生における介入戦略を改善する可能性を秘めている。
関連論文リスト
- On Evolution-Based Models for Experimentation Under Interference [7.262048441360133]
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。
論文 参考訳（メタデータ） (2025-11-26T18:53:46Z) - Estimating Heterogeneous Causal Effect on Networks via Orthogonal Learning [8.45884756677776]
ネットワーク上の因果効果を推定することは、科学的研究と実践的応用にとって重要である。
ネットワーク上での不均一な直接的および余剰な効果を推定する2段階の手法を提案する。
論文 参考訳（メタデータ） (2025-09-23T00:41:04Z) - Inferring Diffusion Structures of Heterogeneous Network Cascade [10.129643823066159]
カスケードデータから多層拡散ネットワークを推定する新しいモデルを提案する。
提案モデルはカスケード経路を異なる層にまたがる拡散ネットワークの混合として表現する。
本研究では,多様な拡散構造を復元する際のモデルの性能を示すため,広範囲なシミュレーション研究を行う。
論文 参考訳（メタデータ） (2025-06-23T21:26:19Z) - Understanding the Information Propagation Effects of Communication Topologies in LLM-based Multi-Agent Systems [58.95962217043371]
提案手法は, エージェントの出力の正確さ, 誤動作の有無を, 異なる範囲の位相の下で伝達する因果関係を解析するための枠組みである。
実験により,有益な情報拡散を保ちながらエラーの伝播を効果的に抑制する,適度に疎らなトポロジが,通常最適なタスク性能を達成できることが判明した。
本稿では,高密度グラフとスパースグラフの両方から接続パターンを融合させることにより,エラー抑制と有益な情報伝達のバランスをとる新しいトポロジ設計手法 EIB-leanrner を提案する。
論文 参考訳（メタデータ） (2025-05-29T11:21:48Z) - 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) - 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) - Network Causal Effect Estimation In Graphical Models Of Contagion And Latent Confounding [2.654975444537834]
多くのネットワーク研究の鍵となる疑問は、観測された単位間の相関は、主に感染や潜伏によるものであるかである。
ネットワーク因果効果の推定手法を提案する。
実世界のネットワークを用いて,合成データによる手法の有効性と仮定の有効性を評価する。
論文 参考訳（メタデータ） (2024-11-02T22:12:44Z) - 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) - Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring
Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。
3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文 参考訳（メタデータ） (2021-07-27T14:47:24Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳（メタデータ） (2021-06-15T17:45:51Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。