論文の概要: Amortized Counterfactual Prediction with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2610.13724v1
• Date: Fri, 09 Oct 2026 15:22:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.652295
• Title: Amortized Counterfactual Prediction with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットを用いたアモルティズド・カウンターファクト予測
• Abstract要約: 事実推論は、観察された結果が異なる状況下でどのように異なるのかを問う。 本稿では,観測データから直接,対実的なクエリに応答するエンドツーエンドのアプローチであるCFGNPを提案する。
• 参考スコア（独自算出の注目度）: 2.1024950052120417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual inference asks how an observed outcome might have differed under different circumstances, such as whether a patient would have recovered had they received a different treatment. Such questions arise whenever decisions depend on the outcomes of alternatives that were not observed. Answering counterfactual queries generally requires knowledge of the underlying causal structure, which is often unavailable in practice. A common approach is therefore to first estimate the causal graph from observational data and then perform counterfactual inference. However, errors in the estimated causal graph can propagate to downstream counterfactual predictions. To address this challenge, we introduce the Counterfactual Graph Neural Process (CFGNP), an end-to-end approach that answers counterfactual queries directly from observational data without first estimating a causal graph. CFGNP uses Graph Neural Networks (GNNs) to exploit the dual-graph structure by restricting cross-world message passing to corresponding factual--counterfactual variables. Across synthetic and image-based benchmarks, CFGNP achieves stronger predictive performance than existing approaches, including on the German Loan benchmark, where it reduces MSE from $4.51 \times 10^{-2}$ to $0.19 \times 10^{-2}$. Furthermore, on synthetic causal graphs, a model trained only on 10-node graphs maintains strong predictive performance on graphs with up to 30 nodes, without retraining.
• Abstract（参考訳）: 反現実的推論では、異なる治療を受けた患者が回復したかどうかなど、異なる状況下で観察された結果がどう違うのかを問う。 このような疑問は、決定が観察されなかった代替案の結果に依存するときに生じる。 反事実的クエリに答えるには、一般的に根底にある因果構造に関する知識が必要であるが、実際は利用できないことが多い。 したがって、一般的なアプローチは、まず観測データから因果グラフを推定し、次に反事実推論を行うことである。 しかし、推定因果グラフの誤差は下流の反事実予測に伝播する可能性がある。 この課題に対処するために、まず因果グラフを推定することなく、観測データから直接反事実クエリに答えるエンドツーエンドのアプローチであるCFGNP(Counterfactual Graph Neural Process)を導入する。 CFGNPはグラフニューラルネットワーク(GNN)を使用して、実数変数へのクロスワールドメッセージパッシングを制限することで、デュアルグラフ構造を利用する。 合成および画像ベースベンチマーク全体で、CFGNPは既存のアプローチよりも強力な予測性能を達成しており、ドイツのLoanベンチマークでは、MSEを4.51 \times 10^{-2}$から0.19 \times 10^{-2}$に下げている。 さらに、合成因果グラフでは、10ノードグラフのみにトレーニングされたモデルが、最大30ノードのグラフに対して、再トレーニングすることなく、強い予測性能を維持している。

関連論文リスト

• Semi-Supervised Learning on Graphs using Graph Neural Networks [7.3886152750469]
  グラフニューラルネットワーク(GNN)は、半教師付きノード回帰において極めてうまく機能する。 本稿では,複数の共通メッセージパッシングアーキテクチャを含むアグリゲート・アンド・リードアウトモデルについて検討する。 我々は、誤差近似、収束、最適化を分離する急激な非漸近的リスク境界を証明した。
  論文  参考訳（メタデータ） (2026-02-19T06:25:13Z)
• How does Graph Structure Modulate Membership-Inference Risk for Graph Neural Networks? [0.34546020643989767]
  グラフニューラルネットワーク(GNN)は、データとその複雑な関係を連続表現に符号化するための標準ツールとなっている。 センシティブなアプリケーションでの利用は、トレーニングデータの漏洩の可能性への懸念を引き起こしている。 GNNにおけるプライバシー漏洩の研究は、主に非グラフドメインからの発見によって形作られた。
  論文  参考訳（メタデータ） (2026-01-23T19:08:36Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Improving Signed Propagation for Graph Neural Networks in Multi-Class Environments [3.4498722449655066]
  マルチクラスグラフにおける署名伝達を改善するための2つの新しい戦略を導入する。 提案手法はキャリブレーションとロバスト性の確保を両立させ,不確実性を低減させる。 6つのベンチマークグラフデータセットに対する広範な実験により,本定理の有効性を示す。
  論文  参考訳（メタデータ） (2023-01-21T08:47:22Z)
• OrphicX: A Causality-Inspired Latent Variable Model for Interpreting Graph Neural Networks [42.539085765796976]
  本稿では、グラフニューラルネットワーク(GNN)の因果説明を生成するための新しいeXplanationフレームワークOrphicXを提案する。 本研究では, 個別な生成モデルを構築し, 因果的, コンパクト, 忠実な説明を生成モデルに推奨する目的関数を設計する。 OrphicXは因果的説明を生成するための因果的意味論を効果的に識別できることを示す。
  論文  参考訳（メタデータ） (2022-03-29T03:08:33Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)

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。