网络异构干扰下个体处理效应的学习
机器学习
2024-01-26 v2 人工智能
社会与信息网络
统计方法学
摘要
近年来，基于网络观测数据估计个体处理效应受到越来越多的关注。网络场景中的一个主要挑战是稳定单元处理值假设（SUTVA）的违背，该假设认为一个单元的处理分配不会影响其他单元的结果。在网络数据中，由于干扰，一个单元的结果不仅受其自身处理（即直接效应）的影响，还受其他单元处理（即溢出效应）的影响。此外，来自其他单元的影响总是异构的（例如，兴趣相似的朋友与兴趣不同的朋友对一个人的影响不同）。本文关注异构干扰下个体处理效应（直接效应与溢出效应）的估计问题。为解决该问题，我们提出一种新颖的双重加权回归（DWR）算法，通过同时学习捕捉异构干扰的注意力权重和消除网络中复杂混杂偏差的样本权重。我们将整个学习过程表述为一个双层优化问题。在理论上，我们给出了个体处理效应估计的泛化误差界。在四个基准数据集上的大量实验表明，所提出的 DWR 算法在异构干扰下估计个体处理效应方面优于最先进的方法。
引用
@article{arxiv.2210.14080,
title = {Learning Individual Treatment Effects under Heterogeneous Interference in Networks},
author = {Ziyu Zhao and Yuqi Bai and Kun Kuang and Ruoxuan Xiong and Fei Wu},
journal= {arXiv preprint arXiv:2210.14080},
year = {2024}
}