网络环境下多重处理的个体因果效应估计
机器学习
2023-12-20 v1 人工智能
统计方法学
摘要
我们研究了在多重处理和网络化观测数据背景下的个体处理效应（ITE）估计问题。利用网络信息，我们旨在利用在观测数据中可能无法直接获取的隐藏混淆变量，从而增强强可忽略性假设的实际适用性。为了实现这一点，我们首先采用图卷积网络（GCN）来学习混淆变量的共享表示。然后，我们的方法利用独立的神经网络推断每种处理的潜在结果。我们设计了一个损失函数，作为表示损失和事实结果上的均方误差（MSE）损失的加权和。为了衡量表示损失，我们将 Wasserstein 和最大均值差异（MMD）等现有指标从二元处理设置扩展到多重处理场景。为了验证我们提出方法的有效性，我们在 BlogCatalog 和 Flickr 等基准数据集上进行了一系列实验。实验结果一致表明，与基线方法相比，我们的模型具有更优的性能。
引用
@article{arxiv.2312.11573,
title = {Estimation of individual causal effects in network setup for multiple treatments},
author = {Abhinav Thorat and Ravi Kolla and Niranjan Pedanekar and Naoyuki Onoe},
journal= {arXiv preprint arXiv:2312.11573},
year = {2023}
}
备注
7 pages, accepted at AAAI-GCLR 2024