用于推断异构同伴效应的暴露映射函数学习

在因果推断中，干扰指的是同伴在网络中的行为能够影响个体结果的现象。同伴效应指的是个体在不同同伴暴露水平下的反事实结果差异，即个体暴露于同伴的治疗、行动或行为的程度。估计同伴效应需要决定如何表示同伴暴露。通常，研究人员定义一种暴露映射函数，将同伴的治疗聚合输出同伴暴露。大多数现有方法用于定义暴露映射函数时，假设同伴暴露基于未治疗同伴的数量或比例。最近的研究探讨了更复杂的同伴暴露函数，这些函数捕捉不同同伴施加不同影响力的程度。然而，这些文献中没有人明确考虑自动学习暴露映射函数的问题。本文聚焦于为估计异构同伴效应而学习该函数，其中异构性指的是相同同伴暴露但不同个体情境下的反事实结果的差异。我们发展了 EgoNetGNN，这是一种基于图神经网络（GNN）的方法，用于自动学习允许同伴影响机制的适当暴露映射函数，这些机制不仅涉及同伴的治疗，还可能涉及局部社区结构和边属性。我们表明，基于未治疗同伴数量或比例的同伴暴露，或对同伴暴露进行简单学习的 GNN 模型在处理此类影响机制方面存在困难。我们在合成数据和半合成网络数据上的全面评估显示，与现有 SOTA 方法相比，我们的方法在估计异构同伴效应时对不同未知的底层影响机制更具鲁棒性。