Core Concepts
複雑な社会ネットワークデータにおける因果効果の推定を可能にする新しい方法論を提案し、その有効性を実証します。
Abstract
複雑な社会ネットワークデータにおける因果効果の推定課題に取り組む。
グラフニューラルネットワークと二重機械学習を組み合わせた新しい手法を提案。
因果効果の正確な推定と効率的な調整が可能であることを示す。
他の基準方法と比較して、提案手法が同等以上の精度であることが示されている。
Introduction
社会ネットワーク内での因果推論は重要。
ランダム化比較試験は実用的ではない。
複雑な相互依存関係や干渉が挙げられる。
Methodology
グラフイソモーフィズム・ニューラルネットワーク(GIN)と二重機械学習を組み合わせた手法。
高次元共変量への対応にDMLを導入。
Results
提案手法は他の基準方法よりも優れた性能を示す。
結果はADEおよびAPEで示され、SHG参加がリスク耐性に与える影響が明らかになった。
Stats
我々のアプローチは他の基準方法よりも優れた平均二乗誤差(MSE)を示した。