論文の概要: When Interference Graphs Evolve: Doubly Robust Estimation of Dynamic Peer Effects
- arxiv url: http://arxiv.org/abs/2608.27187v1
- Date: Thu, 27 Aug 2026 14:32:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.449177
- Title: When Interference Graphs Evolve: Doubly Robust Estimation of Dynamic Peer Effects
- Title（参考訳）: 干渉グラフの展開:動的ピア効果の2倍のロバスト推定
- Abstract要約: 我々は,自己治療,時間的に集約されたピア露光,および課題後の進化の要約によって潜在的な結果をインデックスする制御されたコントラストフレームワークを導入する。
時間分解確率と正規化オーグメンテーションを組み合わせた動的ネットワーク二重ロバスト推定器DynaNet-DRを開発した。
- 参考スコア（独自算出の注目度）: 1.049126606580198
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Peer effects are difficult to estimate when interaction graphs evolve because pre-assignment network history, dynamic peer exposure, and post-assignment network change have distinct causal roles. We introduce a controlled contrast framework that indexes potential outcomes by own treatment, temporally aggregated peer exposure, and a post-assignment evolution summary. Differences between the resulting means define own-treatment, peer-exposure, controlled network-evolution, and joint controlled contrasts rather than a mediation decomposition. We develop the Dynamic Network Doubly Robust estimator, DynaNet-DR, which combines a temporally factorized propensity with normalized augmentation. Under consistency, summary sufficiency, sequential exchangeability, positivity, nuisance convergence, and weak dependence, its canonical estimator is consistent when either the outcome regression or the propensity estimator is consistent. The reported implementation adds representative-score prediction, fixed clipping, and finite-sample stabilization. Semi-synthetic benchmarks on fixed real temporal graph sequences show favorable estimation accuracy among methods targeting the full profile. These benchmarks assess summary-indexed contrasts rather than counterfactual edge generation, and the MathOverflow study is an observational illustration under the stated assumptions.
- Abstract（参考訳）: 相互作用グラフが進化する際のピアエフェクトは、事前割り当てネットワーク履歴、動的ピア露光、および後割り当てネットワークの変更が異なる因果関係を持つため、推定が困難である。
我々は,自己治療,時間的に集約されたピア露光,および課題後の進化の要約によって潜在的な結果をインデックスする制御されたコントラストフレームワークを導入する。
結果の手段の違いは、仲介分解ではなく、自己処理、ピア露光、制御されたネットワーク進化、共同制御されたコントラストを定義する。
時間分解確率と正規化オーグメンテーションを組み合わせた動的ネットワーク二重ロバスト推定器DynaNet-DRを開発した。
整合性、要約充足性、逐次交換性、肯定性、ニュアンス収束、弱依存の下では、その正準推定器は、結果回帰または正則性推定器が整合であるときに一貫する。
報告された実装には、代表スコア予測、固定クリッピング、有限サンプル安定化が追加されている。
固定実時間グラフ列上の半合成ベンチマークは、全プロファイルを対象とする手法間で良好な推定精度を示す。
これらのベンチマークは、反ファクトなエッジ生成ではなく、要約インデックス付きコントラストを評価し、MathOverflow研究は、前述の仮定の下で観察的な図示である。
関連論文リスト
- Behavioral Latency as Weak Event-Time Supervision for EEG Reaction-Time Decoding [8.835986135254549]
単回脳波分析はイベントやレイテンシを中心に行われることが多いが、EEGベースの反応時間(RT)予測は固定された刺激ロックウィンドウ上でスカラー回帰として表される。
ここでは、事象時間後部モデリングとして試行的RTデコーディングを再構成する。
そこで我々は,Healthy Brain Networkのコントラスト変化検出EEGタスクにおいて,この定式化を評価した。
論文 参考訳（メタデータ） (2026-08-29T20:18:03Z) - ContextShift: A Controlled Benchmark for Context Dependence in Object Detection [1.8320252176005443]
我々は、オブジェクトの外観を保ちながら、オブジェクト-コンテキスト関係を操作するベンチマークであるContextShiftを紹介する。
偽陰性は227%まで増加し,予測量は44%まで減少する。
拡張されたすべての変種は、オリジナルの画像と操作されたテストイメージの両方でデータセットのみのベースラインよりも優れています。
論文 参考訳（メタデータ） (2026-06-08T13:48:16Z) - Mask2Cause: Causal Discovery via Adjacency Constrained Causal Attention [0.13764085113103217]
本稿では,予測前方通過時に,基礎となる因果グラフを直接復元するエンドツーエンドフレームワークを提案する。
推定因果構造を用いて予測モデルのパラメータ数を平均70%以上削減できることを示す。
論文 参考訳（メタデータ） (2026-05-08T05:43:47Z) - Negative-Aware Diffusion Process for Temporal Knowledge Graph Extrapolation [16.301114199423044]
時間的知識グラフ(TKG)推論は、過去の証拠から将来の行方不明の事実を予測しようとするものである。
TKG外挿(NADEx)の負の認識拡散モデル
NADExは、実体、関係、時間間隔の主題中心の履歴をシーケンシャルな埋め込みにエンコードする。
論文 参考訳（メタデータ） (2026-02-09T15:50:56Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Multimodal Quantitative Measures for Multiparty Behaviour Evaluation [6.709251546882382]
骨格運動データにおける多人数社会的行動の客観的評価のための統合的介入駆動型フレームワークを提案する。
3つの理論駆動摂動による計量感度の検証を行った。
混合効果分析により、予測可能な、共同非依存的なシフトが明らかになる。
論文 参考訳（メタデータ） (2025-08-01T13:46:12Z) - Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。
現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。
情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
論文 参考訳（メタデータ） (2025-03-21T18:06:28Z) - 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) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z) - Intensity Profile Projection: A Framework for Continuous-Time
Representation Learning for Dynamic Networks [50.2033914945157]
本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。
このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。
さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
論文 参考訳（メタデータ） (2023-06-09T15:38:25Z) - On the (Un-)Avoidability of Adversarial Examples [4.822598110892847]
ディープラーニングモデルの逆例は、その信頼性に大きな懸念を引き起こしている。
小摂動下でのモデルラベルの変更が正当化されるかどうかを決定するためのフレームワークを提供する。
適応的なデータ拡張は、決定論的ラベルの下で1-アレスト近傍の分類の整合性を維持していることを示す。
論文 参考訳（メタデータ） (2021-06-24T21:35:25Z) - Consistency Guided Scene Flow Estimation [159.24395181068218]
CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。
提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。
最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
論文 参考訳（メタデータ） (2020-06-19T17:28:07Z)
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。