Causal Message Passing for Experiments with Unknown and General Network Interference
未知一般网络干扰实验中的因果消息传递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：摘要直接研究随机实验中的网络干扰、动态传播和总处理效应估计。
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
未知一般网络干扰实验中的因果消息传递
- 研究问题
- 在多期随机实验中，处理影响沿未知网络传播且尚未达到均衡时，如何利用早期结果估计全体处理相对于全体不处理的效应？
- 方法与思路
- 作者借鉴高维近似消息传递，把处理影响建模为经邻居传播的动态过程，近似潜在结果轨迹，并提出总处理效应估计算法。
- 材料陈述的贡献
- 摘要称该框架能够处理复杂且未知的网络干扰，并利用均衡前的信息估计总处理效应；五种不同干扰结构的数值情形用于展示。
- 阅读关注点
- 应核对未知网络仍需满足哪些限制、随机化设计与动态近似如何连接，以及从局部实验信息推断全体处理效应的依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；一般网络的适用范围和估计保证摘要未说明，五种情形不足以证明普遍有效。
原文摘要
Randomized experiments are a powerful methodology for data-driven evaluation of decisions or interventions. Yet, their validity may be undermined by network interference. This occurs when the treatment of one unit impacts not only its outcome but also that of connected units, biasing traditional treatment effect estimations. Our study introduces a new framework to accommodate complex and unknown network interference, moving beyond specialized models in the existing literature. Our framework, termed causal message-passing, is grounded in high-dimensional approximate message passing methodology. It is tailored for multi-period experiments and is particularly effective in settings with many units and prevalent network interference. The framework models causal effects as a dynamic process where a treated unit's impact propagates through the network via neighboring units until equilibrium is reached. This approach allows us to approximate the dynamics of potential outcomes over time, enabling the extraction of valuable information before treatment effects reach equilibrium. Utilizing causal message-passing, we introduce a practical algorithm to estimate the total treatment effect, defined as the impact observed when all units are treated compared to the scenario where no unit receives treatment. We demonstrate the effectiveness of this approach across five numerical scenarios, each characterized by a distinct interference structure.