图解缔因模型：增强网络观察数据中的因果推断
机器学习
2024-12-06 v1 信息检索
摘要
从观察数据估计个体处理效应(ITE)是贯穿多个领域的关键任务。然而，许多现有工作在ITE估计中忽略了隐藏混杂因素，这些因素在单个单位层面是不可观测的。为解决这一局限，研究者利用图神经网络聚合邻居特征以捕获隐藏混杂因素，通过最小化 treated 和 control 组之间混杂表示的差异来缓解混杂偏差。尽管这些方法取得了成功，但实际场景常将所有特征视为混杂因素，且在treated 和 control 组之间存在显著的特征分布差异。将调整变量与混杂因素混淆，并对混杂表示实施严格平衡，可能损害结果预测的有效性。为缓解此问题，我们提出了一种新框架，称为图解缔因模型(Graph Disentangle Causal model, GDC)，用于网络环境中的ITE估计。GDC利用因果解缔模块将单位特征分离为调整表示和混杂表示。随后，我们设计了由三个不同图聚合器构成的图聚合模块，以获得调整表示、混杂表示和反事实混杂表示。最后，采用因果约束模块以确保解缔后的表示作为真实因果因子。我们在两个网络数据集上进行了全面实验，证明了所提方法的有效性。
引用
@article{arxiv.2412.03913,
title = {Graph Disentangle Causal Model: Enhancing Causal Inference in Networked Observational Data},
author = {Binbin Hu and Zhicheng An and Zhengwei Wu and Ke Tu and Ziqi Liu and Zhiqiang Zhang and Jun Zhou and Yufei Feng and Jiawei Chen},
journal= {arXiv preprint arXiv:2412.03913},
year = {2024}
}
备注
Accepted by WSDM 2025