Generalization bound for estimating causal effects from observational network data
观察性网络数据因果效应估计的泛化界AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究观察性网络数据的因果效应，以联合倾向得分和表示学习处理网络情境中的混杂。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
观察性网络数据因果效应估计的泛化界
- 研究问题
- 在存在复杂混杂的观察性网络数据中，如何为因果效应估计建立泛化误差界，并据此设计加权与表示学习相结合的目标？
- 方法与思路
- 作者分别从联合倾向得分重加权和积分概率度量表示学习推导泛化界，再提出结合表示学习的联合倾向得分加权回归方法。
- 材料陈述的贡献
- 摘要称，论文补充网络因果估计的泛化界分析，并以两个真实网络上的半合成数据实验展示所提算法的有效性。
- 阅读关注点
- 应核对网络暴露与因果效应的定义、联合倾向得分及泛化界的假设，以及表示平衡能控制何种混杂和半合成实验如何设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出界的具体形式、识别条件或实验数值，半合成结果不等同于真实因果验证。
原文摘要
Estimating causal effects from observational network data is a significant but challenging problem. Existing works in causal inference for observational network data lack an analysis of the generalization bound, which can theoretically provide support for alleviating the complex confounding bias and practically guide the design of learning objectives in a principled manner. To fill this gap, we derive a generalization bound for causal effect estimation in network scenarios by exploiting 1) the reweighting schema based on joint propensity score and 2) the representation learning schema based on Integral Probability Metric (IPM). We provide two perspectives on the generalization bound in terms of reweighting and representation learning, respectively. Motivated by the analysis of the bound, we propose a weighting regression method based on the joint propensity score augmented with representation learning. Extensive experimental studies on two real-world networks with semi-synthetic data demonstrate the effectiveness of our algorithm.