Estimation of individual causal effects in network setup for multiple treatments
网络数据中多处理个体因果效应的估计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：摘要同时研究多处理个体因果效应与网络观测数据，并使用图卷积提取混杂信息，因此归入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…
网络数据中多处理个体因果效应的估计
- 研究问题
- 在多种处理与网络观测数据中，如何利用网络信息学习可能未被直接观测的混杂因素，并据此估计不同处理之间的个体因果效应？
- 方法与思路
- 作者用图卷积网络学习共享混杂表示，再用各处理对应的神经网络预测潜在结果；损失结合事实结果均方误差与多处理表示平衡。
- 材料陈述的贡献
- 摘要称其将 Wasserstein 和 MMD 等平衡度量扩展到多处理情形，并在 BlogCatalog、Flickr 等基准实验中优于比较方法。
- 阅读关注点
- 应核对网络如何提供潜在混杂信息、强可忽略性如何成立、多处理平衡损失的定义，以及实验是否考虑网络干扰与处理重叠。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。网络表示并不自动保证消除隐藏混杂；摘要也未说明是否允许处理溢出效应。
原文摘要
We study the problem of estimation of Individual Treatment Effects (ITE) in the context of multiple treatments and networked observational data. Leveraging the network information, we aim to utilize hidden confounders that may not be directly accessible in the observed data, thereby enhancing the practical applicability of the strong ignorability assumption. To achieve this, we first employ Graph Convolutional Networks (GCN) to learn a shared representation of the confounders. Then, our approach utilizes separate neural networks to infer potential outcomes for each treatment. We design a loss function as a weighted combination of two components: representation loss and Mean Squared Error (MSE) loss on the factual outcomes. To measure the representation loss, we extend existing metrics such as Wasserstein and Maximum Mean Discrepancy (MMD) from the binary treatment setting to the multiple treatments scenario. To validate the effectiveness of our proposed methodology, we conduct a series of experiments on the benchmark datasets such as BlogCatalog and Flickr. The experimental results consistently demonstrate the superior performance of our models when compared to baseline methods.