[論文レビュー] Graph cluster randomization: network exposure to multiple universes

Johan Ugander, Brian Karrer+2 more|arXiv (Cornell University)|May 30, 2013

Advanced Causal Inference Techniques参考文献 14被引用数 38

ひとこと要約

本稿では、社会的干渉を伴うオンライン実験において、平均処置効果の不偏推定を可能にするため、ネットワーク露出確率から導かれる逆確率重みを用いたHorvitz-Thompson推定を用いたグラフクラスターランダム化を提案する。主な貢献は、グラフが制限付き成長条件を満たす場合、標準的手法と比較して分散が指数関数的に小さくなることであり、これによりネットワーク化された集団におけるより正確な因果推論が可能になる。

ABSTRACT

A/B testing is a standard approach for evaluating the effect of online experiments; the goal is to estimate the `average treatment effect' of a new feature or condition by exposing a sample of the overall population to it. A drawback with A/B testing is that it is poorly suited for experiments involving social interference, when the treatment of individuals spills over to neighboring individuals along an underlying social network. In this work, we propose a novel methodology using graph clustering to analyze average treatment effects under social interference. To begin, we characterize graph-theoretic conditions under which individuals can be considered to be `network exposed' to an experiment. We then show how graph cluster randomization admits an efficient exact algorithm to compute the probabilities for each vertex being network exposed under several of these exposure conditions. Using these probabilities as inverse weights, a Horvitz-Thompson estimator can then provide an effect estimate that is unbiased, provided that the exposure model has been properly specified. Given an estimator that is unbiased, we focus on minimizing the variance. First, we develop simple sufficient conditions for the variance of the estimator to be asymptotically small in n, the size of the graph. However, for general randomization schemes, this variance can be lower bounded by an exponential function of the degrees of a graph. In contrast, we show that if a graph satisfies a restricted-growth condition on the growth rate of neighborhoods, then there exists a natural clustering algorithm, based on vertex neighborhoods, for which the variance of the estimator can be upper bounded by a linear function of the degrees. Thus we show that proper cluster randomization can lead to exponentially lower estimator variance when experimentally measuring average treatment effects under interference.

研究の動機と目的

• 社会的干渉が存在する状況における標準的なA/Bテストの限界に対処すること。ここでの干渉とは、処置効果がネットワーク化された個人間で拡散することを意味する。
• すべての者が処置を受けた仮想的宇宙において、ユーザーの反応が処置状態を反映するような状況を定式化するための「ネットワーク露出」の概念を明確化すること。
• 干渉下でも平均処置効果の不偏推定を可能にするクラスターベースのランダム化スキームを開発すること。
• 特に制限付き成長条件の下で、グラフ構造を活用してHorvitz-Thompson推定器の分散を最小化すること。

提案手法

• 頂点が、すべての者が処置を受けた宇宙においてその反応が等価になるような処置設定に含まれる場合に、その頂点が露出していると定義する。
• グラフクラスタリングを用いて処置を割り当て、露出確率を効率的なアルゴリズムにより正確に計算可能にする。
• 逆確率重みを用いたHorvitz-Thompson推定器を適用し、平均処置効果の不偏推定を達成する。
• 異なる露出モデル下での推定器の分散バウンドを導出し、制限付き成長グラフでは分散が頂点の次数に線形的に比例することを示す。
• 制限付き成長条件が満たされる場合、分散が頂点次数の線形関数で上界をもつことを確立し、一般のグラフと比較して指数関数的な分散低減が達成されることを示す。
• 2ホップ近傍に基づくクラスタリング（例：2ホップ近傍に基づく）を用いて、単位間の依存性を低減し、分散式における共分散項を制御する。

実験結果

リサーチクエスチョン

• RQ1 干渉が存在する状況で、平均処置効果の不偏推定を可能にする正式なネットワーク露出の概念を定義できるか？
• RQ2 干渉下でもHorvitz-Thompson推定器が不偏のまま保たれるようなランダム化スキームをどのように設計できるか？
• RQ3 ネットワーク構造にどのようなグラフ理論的条件が、推定器の分散に顕著な低減をもたらすか？
• RQ4 頂点次数に線形に比例する分散バウンドを達成でき、かつそのようなバウンドが指数関数的に増大するのではなく、どのような条件下で達成できるか？
• RQ5 クラスタリングアルゴリズムの選択が、干渉が存在する状況における処置効果推定器の分散にどのように影響するか？

主な発見

• 露出確率に基づく逆確率重みを用いたHorvitz-Thompson推定器は、適切な露出モデル仕様のもとで、平均処置効果の不偏推定を達成する。
• 一般のグラフでは、推定器の分散が頂点次数の指数関数関数で下限され、推定が非効率になる。
• 制限付き成長条件が満たされる場合、近傍ベースのクラスタリングアルゴリズムにより、推定器の分散が頂点次数の線形関数で上界をもつことが保証される。
• 適切なクラスターランダム化により達成される分散低減は、次数に対して指数関数的であり、推定精度の著しい向上が得られる。
• 分散式における共分散項は、頂点間の依存性を一定距離（例：6ホップ）以内に制限することで制御可能であり、これは制限付き成長グラフでは実現可能である。
• 本フレームワークは、任意のグラフに一般化して適用可能であり、任意のクラスタリングアルゴリズムを用いることができるが、分散バウンドは制限付き成長条件が満たされる場合にのみ保証される。