Higher-Order Causal Message Passing for Experimentation with Complex Interference
复杂干扰实验中的高阶因果消息传递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：摘要以实验处理效应的动态估计为目标，并明确讨论未知单位交互和网络干扰，直接对应因果推断与网络干扰。
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…
复杂干扰实验中的高阶因果消息传递
- 研究问题
- 当实验单位之间存在广泛且未知的直接或间接干扰时，如何利用观测数据估计总处理效应随时间变化的动态路径？
- 方法与思路
- 作者从处理和结果的均值、方差等矩构造非线性特征，学习其到未来结果均值与方差的映射，形成因果消息传递估计量。
- 材料陈述的贡献
- 摘要称多领域模拟及真实网络数据上的模拟展示了方法估计总处理效应动态的能力，包括效应随处理概率非单调变化的情形。
- 阅读关注点
- 核对动态因果目标、实验分配机制和系统状态可识别的条件，以及矩特征是否足以支持干预推断和外推。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明识别条件和理论误差保证，模拟有效性不能推广到任意未知干扰。
原文摘要
Accurate estimation of treatment effects is essential for decision-making across various scientific fields. This task, however, becomes challenging in areas like social sciences and online marketplaces, where treating one experimental unit can influence outcomes for others through direct or indirect interactions. Such interference can lead to biased treatment effect estimates, particularly when the structure of these interactions is unknown. We address this challenge by introducing a new class of estimators based on causal message-passing, specifically designed for settings with pervasive, unknown interference. Our estimator draws on information from the sample mean and variance of unit outcomes and treatments over time, enabling efficient use of observed data to estimate the evolution of the system state. Concretely, we construct non-linear features from the moments of unit outcomes and treatments and then learn a function that maps these features to future mean and variance of unit outcomes. This allows for the estimation of the treatment effect over time. Extensive simulations across multiple domains, using synthetic and real network data, demonstrate the efficacy of our approach in estimating total treatment effect dynamics, even in cases where interference exhibits non-monotonic behavior in the probability of treatment.