[論文レビュー] Causal Inference under Networked Interference and Intervention Policy Enhancement

Yunpu Ma, Volker Tresp|arXiv (Cornell University)|Feb 20, 2020

Advanced Causal Inference Techniques被引用数 7

ひとこと要約

この論文は、個々の結果が隣接単位の処置に影響を受けるネットワーク干渉下における因果推論のためのグラフニューラルネットワークベースのフレームワークを提案する。容量制約下での政策学習のための新しい目的関数を導入し、干渉および限られたリソースのもとでも最適な処置割り当てを保証する、証明可能なレグレットバウンドを導出する。

ABSTRACT

Estimating individual treatment effects from data of randomized experiments is a critical task in causal inference. The Stable Unit Treatment Value Assumption (SUTVA) is usually made in causal inference. However, interference can introduce bias when the assigned treatment on one unit affects the potential outcomes of the neighboring units. This interference phenomenon is known as spillover effect in economics or peer effect in social science. Usually, in randomized experiments or observational studies with interconnected units, one can only observe treatment responses under interference. Hence, how to estimate the superimposed causal effect and recover the individual treatment effect in the presence of interference becomes a challenging task in causal inference. In this work, we study causal effect estimation under general network interference using GNNs, which are powerful tools for capturing the dependency in the graph. After deriving causal effect estimators, we further study intervention policy improvement on the graph under capacity constraint. We give policy regret bounds under network interference and treatment capacity constraint. Furthermore, a heuristic graph structure-dependent error bound for GNN-based causal estimators is provided.

研究の動機と目的

• ランダム化実験において、隣接単位の処置が結果にバイアスを及える状況での個々の処置効果の推定に取り組む。
• グラフニューラルネットワーク（GNN）を用いてネットワーク化された単位の複雑な依存関係をモデル化し、因果効果推定の精度を向上させる。
• 処置容量制約下での個々の効果とペア効果の両方を考慮した政策学習フレームワークを開発する。
• 干渉および処置の利用可能制限が存在する状況下での政策改善のための理論的レグレットバウンドを導出する。
• 個々の効果とスプライシング効果（spillover effects）を統合した単一の目的関数を用いて、グラフ上の最適意思決定を実現する。

提案手法

• フレームワークは、単位をノードとして、社会的関係をエッジとして、隣接行列を用いてネットワーク構造を捉える有向グラフを用いて干渉をモデル化する。
• 一般化された露出変数 $ G_i $ を導入し、近隣の処置を要約することで、干渉下での個々の効果とスプライシング効果の推定を可能にする。
• グラフニューラルネットワークを用いてノードおよびその近隣の表現を学習し、ネットワーク構造内の複雑な依存関係を捉える。
• 個々の処置効果 $ \tau $ とペア効果 $ \delta $ を組み合わせた新しい目的関数を提案し、容量に配慮したスケーリング要因 $ \min\{1, p_t / \mathcal{P}_{\boldsymbol{\chi}}(\pi)\} $ を用いて重み付けする。
• 集中不等式とカバー数を用いて、学習された政策が最適な政策に収束することを保証する、政策レグレットバウンドを導出する。
• 理論的分析により、政策関数クラスのリプシッツ連続性が確立され、有限サンプルからの一般化が可能であることが示される。

実験結果

リサーチクエスチョン

• RQ1 結果が隣接単位の処置に依存するネットワーク干渉が存在する状況下で、個々の処置効果を信頼性高く推定する方法は何か？
• RQ2 干渉は政策学習にどのような影響を及ぼし、どのようにモデル化することでグラフ上の意思決定ルールの改善が可能になるか？
• RQ3 処置容量制約を因果政策学習に形式的に統合する方法は何か？ これによりスケーラビリティと最適性がどのように保証されるか？
• RQ4 干渉および処置の利用可能制限が存在する状況下で、政策レグレットに対する理論的保証はどのようなものか？
• RQ5 グラフニューラルネットワークは、複雑なネットワーク化システムにおいて、個々の効果とペア効果の両方を効果的に捉えることができるか？

主な発見

• 論文は、ネットワーク干渉および容量制約下での政策学習に対して、証明可能なレグレットバウンドを確立し、サンプルサイズが増加するにつれて学習された政策が最適な政策に収束することを示した。
• レグレットバウンドは処置容量 $ p_t $ の逆数に比例するため、容量が限られていると政策最適化の難易度が高まることを示している。
• 目的関数は容量に配慮した正規化を用いて個々の効果とペア効果を統合し、処置割り当てが制限されている場合でも安定した政策更新を保証する。
• 理論的分析により、政策関数クラスがリプシッツ連続であることが示され、カバー数のバウンドを介して有限サンプルからの一般化が可能である。
• カバー数のバウンドを含む集中不等式を用いて、政策クラスの性質を形式化し、目的関数の差が高確率で収束することを示した。
• 理論的保証に基づく実証的妥当性が裏付けられており、経験的および真の政策目的関数の差に対するバウンドが得られ、推定誤差に対して頑健であることが保証されている。