ICMLMay, 2024

基于目标学习的网络干扰下的双重稳健因果效应估计

PDF
TL;DR利用神经网络适应目标学习技术提出的一种新的网络干扰下的双重稳健因果效应估计器，通过将理论条件转化为有针对性的损失函数，保证了估计器的双重稳健性，并通过理论分析揭示了与单一干扰模型相比更快的收敛速度。通过对两个现实世界网络上的半合成数据进行广泛的实验，证明了我们提出的估计器的有效性。
causal effect estimationnetworked interferencedoubly robusttargeted learningneural networks
发现论文，激发创造
  • 基于图神经网络的双机器学习估计网络因果效应

    我们的研究论文利用图神经网络和双机器学习的新方法，结合社交网络，有效地推断出因果效应，并证明该估计器在因果效应估计中具有良好的性能。

    Mar, 2024

  • 因果推断和半参数统计的约束学习

    我们提出了一种新的校正方法 - 使用约束学习框架和 C-Learner 方法 - 来解决复杂干扰参数估计错误，并在多个数据集上进行实证分析，展示了其在因果估计中的高效性和性能优势。

    May, 2024

  • 连续治疗干扰下网络上的因果推断

    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

  • 级联式随机化在扩散干扰下推断因果效应

    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

  • 基于异质性同伴影响推断因果效应

    提出一种通过结构因果模型来解决网络中存在异质性干预的方法，使用图神经网络估算个体因果效应来较好地解决同质性影响的偏见问题。

    May, 2023

  • 在网络下异质干扰下学习个体化治疗效果

    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

  • 一种两部分的机器学习方法用于表征 A/B 测试中的网络干扰

    提出了一种基于机器学习的方法来识别和表征异质网络干扰，该方法通过引入因果网络模式和透明机器学习模型来建立反映潜在网络干扰模式的最适 exposure mapping，为管理网络干扰和提高 A/B 测试精确性提供了全面的自动化解决方案。

    Aug, 2023

  • 基于结构化神经网络的推荐器干扰下的治疗效果估计

    推荐系统对于内容分享平台的个性化内容整理至关重要。 通过进行创作者方面的随机实验以估计治疗效应，定义为当新的（而不是现状）算法在平台上部署时，平台经常评估面向内容创作者的推荐系统更新。我们展示了标准差异估计量可能导致偏倚的治疗效应估计。这种偏倚的产生是因为推荐干扰，即在推荐系统中，受治疗群体和对照群体的创作者竞争曝光机会。我们提出了一种 “推荐选择模型”，该模型捕捉到在包含受治疗和对照内容项的池中如何选择项目。通过结合结构性选择模型和神经网络，该框架以微观基础的方式直接建模推荐干扰路径，并考虑丰富的观众 - 内容异质性。使用该模型，我们构建了一种一致且渐近正态的治疗效应的双重 / 无偏估计量。我们通过对微信短视频平台进行的一项实地实验展示了其实证表现：除了标准的创作者方面实验外，我们还进行了昂贵的阻塞性双边随机化设计以获得没有干扰偏倚的基准估计。我们展示了相对于标准差异估计量，所提出的估计量显著减少了治疗效应估计中的偏倚。

    Jun, 2024

  • 深度学习用于因果推断：异质处理效应估计体系结构的比较

    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。

    May, 2024

  • 在线实验中将主动学习与因果推断相结合的一种新方法

    通过网络干预的主动学习方法，本论文旨在解决因果推断中潜在结果检验框架忽视个体干预以及假设独立处理效应的问题，提出了一种基于网络干预的主动学习方法以估计直接和溢出治疗效果，能够在复杂干预结构下具有高效和精确的效果估计能力。

    Feb, 2024