面向社交网络因果效应估计的处理感知双曲表示学习
机器学习
2024-01-15 v1 人工智能
社会与信息网络
统计方法学
摘要
从观测数据中估计个体处理效应（ITE）是一个至关重要的研究课题，在多个领域具有重要价值。如何识别隐藏混杂因子是ITE估计中的一个关键挑战。近期研究引入社交网络的结构信息来应对这一挑战，取得了显著进展。然而，这些方法利用图神经网络在欧几里得空间中学习隐藏混杂因子的表示，忽略了两个关键问题：（1）社交网络通常呈现无标度结构，而欧几里得嵌入在嵌入此类图时存在高失真问题；（2）社交网络中的每个自我中心网络都表现出与处理相关的特征，这意味着隐藏混杂因子存在显著模式。为解决这些问题，我们提出了一种名为处理感知双曲表示学习（TAHyper）的新方法。首先，TAHyper利用双曲空间对社交网络进行编码，从而有效降低由欧几里得嵌入引起的混杂因子表示失真。其次，我们设计了一个处理感知关系识别模块，通过识别个体与其邻居是否接受相同处理来增强隐藏混杂因子的表示。在两个基准数据集上进行的大量实验证明了我们方法的优越性。
引用
@article{arxiv.2401.06557,
title = {Treatment-Aware Hyperbolic Representation Learning for Causal Effect Estimation with Social Networks},
author = {Ziqiang Cui and Xing Tang and Yang Qiao and Bowei He and Liang Chen and Xiuqiang He and Chen Ma},
journal= {arXiv preprint arXiv:2401.06557},
year = {2024}
}
备注
Accepted by SIAM SDM'24