预测还是拒绝：网络化数据上带不确定性的因果效应估计
机器学习
2023-09-18 v1 人工智能
统计方法学
摘要
由于网络化观测数据的失衡特性，对某些个体的因果效应预测可能严重违背正值性/重叠假设，导致不可靠的估计。然而，网络化数据上个体层面处理效应估计的这一潜在风险在很大程度上未被充分探索。为构建更可信的因果效应估计器，我们提出具有 Lipschitz 约束的不确定性感知图深度核学习（GraphDKL）框架，利用高斯过程对预测不确定性建模并识别不可靠估计。据我们所知，GraphDKL 是首个在进行图上的因果效应估计时处理正值性假设违背问题的框架。通过大量实验，我们证明了所提方法在网络化数据上不确定性感知因果效应估计中的优越性。
引用
@article{arxiv.2309.08165,
title = {To Predict or to Reject: Causal Effect Estimation with Uncertainty on Networked Data},
author = {Hechuan Wen and Tong Chen and Li Kheng Chai and Shazia Sadiq and Kai Zheng and Hongzhi Yin},
journal= {arXiv preprint arXiv:2309.08165},
year = {2023}
}
备注
Accepted by ICDM'23