基于聚类老虎机的网络因果效应估计
机器学习
2025-05-09 v1 社会与信息网络
统计方法学
摘要
估计因果效应的金标准是随机对照试验（RCT）或A/B测试，即从目标人群中随机选取一组个体给予处理，并将其结果与来自同一人群的随机对照组进行比较。然而，当存在干扰时，A/B测试面临挑战，这种干扰通常发生在社交网络中，个体之间会相互影响对方的结果。此外，当其中一个处理臂表现不佳而测试仍继续对个体施加该处理时，A/B测试可能导致较高的性能损失。因此，设计一种能够随时间自适应并高效学习网络中总处理效应的策略至关重要。我们引入了两种基于聚类的多臂老虎机（MAB）算法，通过在探索与利用之间进行权衡，在最大化期望奖励的同时逐步估计网络中的总处理效应。我们在具有模拟干扰的半合成数据上，将我们的MAB算法与忽略聚类的普通MAB算法及相应的RCT方法进行了性能比较。普通MAB算法显示出更高的奖励-动作比，但代价是由于非期望溢出效应导致更高的处理效应误差。基于聚类的MAB算法在与其对应的RCT方法相比时，显示出更高的奖励-动作比，且未牺牲太多处理效应估计的准确性。
引用
@article{arxiv.2505.04200,
title = {Estimating Causal Effects in Networks with Cluster-Based Bandits},
author = {Ahmed Sayeed Faruk and Jason Sulskis and Elena Zheleva},
journal= {arXiv preprint arXiv:2505.04200},
year = {2025}
}
备注
Presented at the AAAI 2022 Workshop on Artificial Intelligence for Behavioral Change (AI4BC)