Graph Neural Networks for Causal Inference Under Network Confounding
网络混杂下用于因果推断的图神经网络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：摘要明确研究单网络观测数据中的因果推断，并将处理选择干扰、结果干扰及内生同伴效应纳入网络混杂模型。
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…
关注这篇论文的作者
网络混杂下用于因果推断的图神经网络
- 研究问题
- 在单个大型网络中，结果与处理选择均存在干扰和内生同伴效应时，如何调整由全网关系及个体协变量形成的高维混杂？
- 方法与思路
- 作者建立允许两阶段均由联立方程生成的非参数模型，并提出用图神经网络调整混杂，以干扰随网络距离衰减解释浅层架构。
- 材料陈述的贡献
- 摘要称，相比预设已知低维混杂摘要的研究，该框架容纳高维网络混杂，并论证距离衰减可带来使估计可行的低维结构。
- 阅读关注点
- 应核对目标因果效应的定义、网络选择偏差的识别条件、干扰衰减速度，以及浅层图神经网络的近似误差和单网络推断依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实；摘要未说明完整识别条件、收敛结果或实证表现，不能确认网络混杂均可被消除。
原文摘要
This paper studies causal inference with observational data from a single large network. We consider a nonparametric model with interference in both potential outcomes and selection into treatment. Specifically, both stages may be the outcomes of simultaneous equations models, allowing for endogenous peer effects. This results in high-dimensional network confounding where the network and covariates of all units constitute sources of selection bias. In contrast, the existing literature assumes that confounding can be summarized by a known, low-dimensional function of these objects. We propose to use graph neural networks (GNNs) to adjust for network confounding. When interference decays with network distance, we argue that the model has low-dimensional structure that makes estimation feasible and justifies the use of shallow GNN architectures.