پژوهش
مدل NEDNet اثر درمان و مواجهه با همسایگان را در شبکه جداگانه برآورد می‌کند
پژوهشگران مدلی برای برآورد اثرهای علّی در داده‌های شبکه‌ای معرفی کرده‌اند که پاسخ به درمان فردی را از پاسخ به مواجهه با همسایگان تفکیک می‌کند. در آزمون‌های نیمه‌مصنوعی، مدل در سنجهٔ PEHE از روش‌های مقایسه‌شده بهتر عمل کرد.
برآورد اثر علّی در داده‌های شبکه‌ای باید هم درمان هر فرد و هم میزان مواجهه‌اش با همسایگان را در نظر بگیرد. روش‌های رایج این دو متغیر را در یک مدل پیامد ترکیب می‌کنند و اثرها را از تفاوت پیش‌بینی‌ها به دست می‌آورند؛ در نتیجه، سهم جداگانهٔ هر عامل در پاسخ مدل روشن نیست.
مقاله‌ای در arXiv مدلی با نام NEDNet پیشنهاد می‌کند که پاسخ شرطی پیامد را به یک خط پایهٔ پیش از درمان و دو مسیر مجزا برای پاسخ به درمان و مواجهه تقسیم می‌کند. این مسیرها از اطلاعات محلیِ پیش از درمان در شبکه استفاده می‌کنند. نویسندگان همچنین تجزیه‌ای یکتا و نرمال‌شده نسبت به یک مقدار مرجع را توصیف می‌کنند که با صفر بودنِ برهم‌کنش ترکیبی درمان و مواجهه معادل است.
در آزمایش‌های نیمه‌مصنوعی مبتنی بر BlogCatalog و Flickr، NEDNet در مقایسه با روش‌های بررسی‌شده کمترین PEHE را برای اثرهای فردی، همتایان و اثر کل به دست آورد؛ این نتیجه در تنظیمات پاسخ همگن و ناهمگن از نظر ویژگی‌های افراد گزارش شده است. مقاله یک پیش‌چاپ نسخهٔ نخست است و نتایج یادشده به آزمایش‌های همین مطالعه محدود می‌شوند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده