To Predict or to Reject: Causal Effect Estimation with Uncertainty on Networked Data
预测还是拒绝：网络数据中具有不确定性评估的因果效应估计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：摘要直接讨论网络观察数据中的个体处理效应、正值性违反与图模型。
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…
预测还是拒绝：网络数据中具有不确定性评估的因果效应估计
- 研究问题
- 网络观察数据不平衡、部分个体缺乏处理重叠时，如何评估个体处理效应预测的不确定性，并识别不可靠估计？
- 方法与思路
- 作者提出带 Lipschitz 约束的图深核学习框架，以高斯过程刻画预测不确定性，并据此识别可能不可靠的效应估计。
- 材料陈述的贡献
- 摘要称该框架针对图数据因果效应估计中的正值性违反问题，并通过广泛实验报告不确定性感知估计方面的优势。
- 阅读关注点
- 应核对网络因果目标及识别条件、不确定性的校准方法和拒绝规则，并检查实验是否区分缺乏重叠与模型误设。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未说明识别假设或拒绝阈值，不确定性建模本身不能恢复缺失的重叠。
原文摘要
Due to the imbalanced nature of networked observational data, the causal effect predictions for some individuals can severely violate the positivity/overlap assumption, rendering unreliable estimations. Nevertheless, this potential risk of individual-level treatment effect estimation on networked data has been largely under-explored. To create a more trustworthy causal effect estimator, we propose the uncertainty-aware graph deep kernel learning (GraphDKL) framework with Lipschitz constraint to model the prediction uncertainty with Gaussian process and identify unreliable estimations. To the best of our knowledge, GraphDKL is the first framework to tackle the violation of positivity assumption when performing causal effect estimation with graphs. With extensive experiments, we demonstrate the superiority of our proposed method in uncertainty-aware causal effect estimation on networked data.