估计观测网络数据中的同伴直接效应和间接效应
人工智能
2024-09-16 v2
摘要
估计因果效应对于许多应用中的决策者至关重要，但在观测网络数据中由于同伴交互而变得特别具有挑战性。已提出许多算法来估计涉及网络数据（特别是同伴效应）的因果效应，但它们通常忽略了同伴效应的多样性。为解决这一问题，我们提出了一种通用设定，同时考虑同伴直接效应、同伴间接效应以及个体自身处理的效果，并提供了这些因果效应的识别条件和证明。为估计这些因果效应，我们利用注意力机制来区分不同邻居的影响，并通过多层图神经网络（GNN）探索高阶邻居效应。此外，为控制节点特征与表示之间的依赖性，我们将希尔伯特-施密特独立性准则（HSIC）融入 GNN 中，充分利用图的结构信息，以增强模型的鲁棒性和准确性。在两个半合成数据集上的广泛实验证实了我们方法的有效性。我们的理论发现有望改进网络系统中的干预策略，应用领域包括社交网络和流行病学。
引用
@article{arxiv.2408.11492,
title = {Estimating Peer Direct and Indirect Effects in Observational Network Data},
author = {Xiaojing Du and Jiuyong Li and Debo Cheng and Lin Liu and Wentao Gao and Xiongren Chen},
journal= {arXiv preprint arXiv:2408.11492},
year = {2024}
}