Individualized Causal Effects under Network Interference with Combinatorial Treatments
网络干扰与组合处理下的个体化因果效应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：摘要明确研究网络干扰、组合处理与个体化潜在结果，直接对应因果推断和网络与干扰。
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…
网络干扰与组合处理下的个体化因果效应
- 研究问题
- 当网络中的干预是高维组合向量且存在个体异质性与相互干扰时，如何在指数规模的处理空间内识别和估计个体层面的因果效应？
- 方法与思路
- 作者构造全局潜在结果模拟器，结合有根网络配置、双重稳健正交化与稀疏谱学习，利用局部平滑性估计组合处理下的响应曲面。
- 材料陈述的贡献
- 摘要称，框架无需压缩干预空间即可进行个体化推断，并将网络效应分解为自身处理、结构与交互成分，提供有限样本误差界和一致性。
- 阅读关注点
- 应核对网络干扰与局部平滑性的限制、组合处理的支持和重叠条件、双重稳健性的具体要求，以及谱稀疏性如何缓解指数维度困难。
- 阅读边界
- 所给来源为 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出完整识别假设、误差界常数或应用，不能据此判断任意网络上的可行性。
原文摘要
Modern causal decision-making increasingly demands individualized treatment-effect estimation in networks where interventions are high-dimensional, combinatorial vectors. While network interference, effect heterogeneity, and multi-dimensional treatments have been studied separately, their intersection yields an exponentially large intervention space that makes standard identification tools and low-dimensional exposure mappings untenable. We bridge this gap with a unified framework that constructs a \emph{global potential-outcome emulator} for unit-level inference. Our method combines (1) rooted network configurations to leverage local smoothness, (2) doubly robust orthogonalization to mitigate confounding from network position and covariates, and (3) sparse spectral learning to efficiently estimate response surfaces over the $2^p$-dimensional treatment space. We also decompose networked effects into own-treatment, structural, and interaction components, and provide finite-sample error bounds and asymptotic consistency guarantees. Overall, we show that individualized causal inference remains feasible in high-dimensional networked settings without collapsing the intervention space.