面向网络化观测数据的处理效应估计的图 Infomax 对抗学习
机器学习
2021-06-08 v1
摘要
从观测数据中估计处理效应是多个领域的关键研究课题。处理效应估计的首要挑战是如何捕捉隐藏混杂因子。近来，网络化观测数据可用性的增长为应对隐藏混杂因子问题提供了新机遇。不同于传统图学习任务（如节点分类和链接检测）中的网络化数据，因果推断问题下的网络化数据具有其特殊性，即网络结构不平衡。本文提出一种用于处理效应估计的图 Infomax 对抗学习（GIAL）模型，该模型通过识别网络结构中的不平衡性来充分利用网络结构以捕捉更多信息。我们在两个基准数据集上评估了 GIAL 模型的性能，结果表明其优于最先进的方法。
引用
@article{arxiv.2106.02881,
title = {Graph Infomax Adversarial Learning for Treatment Effect Estimation with Networked Observational Data},
author = {Zhixuan Chu and Stephen L. Rathbun and Sheng Li},
journal= {arXiv preprint arXiv:2106.02881},
year = {2021}
}
备注
Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '21), August 14--18, 2021, Virtual Event, Singapore