GraphITE：图结构处理的个体效应估计
机器学习
2021-09-14 v3 机器学习
摘要
针对目标个体的处理（treatment）结果估计是基于因果关系进行决策的重要基础。现有多数结果估计方法处理的是二元或多选处理；然而在某些应用中，处理数量可能极大，且处理本身富含信息。本研究考虑了此类情形中的一个重要实例：以药物等图结构处理为代表的结果估计问题。由于可能的处理数量庞大，常规处理效应估计中出现的观测数据的反事实性质对该问题更为关键。我们提出的方法 GraphITE（读作“graphite”）利用图神经网络学习图结构处理的表示，同时借助 Hilbert-Schmidt 独立性准则（Hilbert-Schmidt Independence Criterion）正则化缓解观测偏差，该正则化增强了目标与处理表示的独立性。在两个真实数据集上的实验表明，GraphITE 优于基线方法，尤其在大量处理的情况下。
引用
@article{arxiv.2009.14061,
title = {GraphITE: Estimating Individual Effects of Graph-structured Treatments},
author = {Shonosuke Harada and Hisashi Kashima},
journal= {arXiv preprint arXiv:2009.14061},
year = {2021}
}