通过利用干预结构减小干扰和限制级联增长,我们提出了基于级联的网络实验设计框架,用于估计网络数据中的因果效应。
May, 2024
本论文提出了一种新算法 ——Dual Weighting Regression (DWR),其通过学习注意力权重和样本权重来解决网络场景下的干扰异质性问题,同时实验表明该算法优于目前的其他算法。
Oct, 2022
本文探讨了使用单个社交网络的观测数据进行因果效应的半参数估计和推断。在考虑样本大小增加时每个观测值对越来越多其他单位的依赖的同时,允许信息通过网络联系传输和节点共享网络联系的潜在相似性两种可能的依赖关系。提出了在社交网络环境下特别感兴趣的新的因果效应,如对网络联系和网络结构的干预,并用这种方法重新分析了使用 Framingham Heart Study 社交网络数据估计肥胖症因果同伴效应的一个具有影响力和争议的研究;在考虑网络结构后,我们没有发现因果同伴效应的证据。
May, 2017
提出因果推断方法来估算个人门槛,以更准确地预测社交网络中节点的激活,从而更好地支持异质同伴影响的识别和估计。
Jan, 2022
本文提出了一种非实验设置下绘制因果关系的方法,并展示了一个广义倾向得分估计器,该估计器允许我们估计连续治疗的直接效应和溢出效应,并研究了溢出效应如何塑造农业市场政策干预的最优水平。结果表明,在这种情况下,忽略干扰可能会导致在评估政策有效性时出现向下偏差。
Apr, 2020
考虑了使用未标记的流数据进行推理的具有异质代理和连接性的背景。代理相互合作,通过交换本地推断以及通过融合中心,使用因果框架评估代理对整体决策的实际影响。研究了反映不同代理参与模式和融合中心策略的各种场景,并推导出表示每个代理对联合决策的因果影响的表达式,以便应对异常情况,如敌对攻击或系统故障。通过数值模拟和多摄像机人群计数的实际应用验证了理论结果。
通过开发一个全连接的神经网络,实现了 Bayesian Causal Forest 算法的神经网络因果推断架构,并将该方法应用于研究应激对睡眠的影响,展示了在模拟环境中性能的提升。
通过开发一种从不同视角聚合信息的新架构,我们提出了一种模型异质干扰的新方法,包含图神经网络、不同视角信息的聚合机制和注意力机制,经过多个数据集的实验,证实了模型异质干扰建模的重要性。
Sep, 2023
本文介绍并验证了一种关于干预和传染网络数据的简洁参数化方法(所谓链图模型),通过使用美国最高法院在 1994 年至 2004 年之间的案例数据和模拟数据对社交网络中的集体决策进行因果推断。
Dec, 2018
该论文提出了一种基于网络分析的新的统计方法,可以用于推断出现具有干扰和长程依赖的网络单元的平均因果效应,并通过自动 - g 计算算法进行推断。
Sep, 2017