CF-GODE：面向多智能体动力系统的连续时间因果推断

多智能体动力系统指多个单元随时间相互交互并集体演化的场景。为了在如确定最优疫苗分配方案等多智能体动力系统中做出明智决策，决策者必须估计连续时间的反事实结果。然而，现有的随时间因果推断研究依赖于单元相互独立的假设，这对多智能体动力系统并不成立。本文旨在弥补这一缺口，研究如何估计多智能体动力系统中的反事实结果。多智能体动力系统中的因果推断面临独特挑战：1）混杂因子是时变的，且同时存在于个体单元协变量与其他单元协变量中；2）单元不仅受自身处理影响，也受他人处理影响；3）处理是天然动态的，例如按季节方式接种疫苗与加强针。我们将多智能体动力系统建模为图，并提出反事实图常微分方程（CounterFactual GraphODE，CF-GODE），一种在单元间相互依赖存在时估计连续时间反事实结果的因果模型。为便于连续时间估计，我们提出处理诱导图常微分方程（Treatment-Induced GraphODE），一种基于 GNN 的新型常微分方程，将动态处理作为额外输入以预测随时间变化的潜在结果。为消除混杂偏差，我们提出两个基于域对抗学习的目标函数，学习平衡的连续表示轨迹，这些轨迹不可由处理与干扰预测。我们进一步提供理论证明以证其有效性。在两个半合成数据集上的实验证实 CF-GODE 在反事实估计上优于基线方法。我们还提供了大量分析以理解模型工作机制。