[논문 리뷰] Causal Inference under Networked Interference and Intervention Policy Enhancement

Yunpu Ma, Volker Tresp|arXiv (Cornell University)|2020. 02. 20.

Advanced Causal Inference Techniques인용 수 7

한 줄 요약

이 논문은 개인의 결과가 이웃 단위의 치료에 영향을 받는 네트워크 간섭 하에서 원인 인과 추론을 위한 그래프 신경망 기반 프레임워크를 제안한다. 자원 제약 조건 하에서 정책 학습을 위한 새로운 유용도 함수를 도입하여, 간섭과 제한된 자원에도 불구하고 최적의 치료 배정을 보장하는 증명 가능한 손실 경계를 유도한다.

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.

연구 동기 및 목표

• 랜덤화 실험에서 이웃 단위의 치료로 인한 왜곡이 결과에 영향을 미치는 상황에서 개인 치료 효과를 추정하는 데 도전하는 것.
• 복잡한 네트워크 단위 간 의존성을 그래프 신경망(GNN)을 사용해 모델링하여 원인 효과 추정을 향상시키는 것.
• 치료 용량 제약 조건 하에서 개인 효과와 동료 효과를 모두 고려하는 정책 학습 프레임워크를 개발하는 것.
• 간섭과 제한된 치료 가능성이 존재하는 상황에서 정책 향상에 대한 이론적 손실 경계를 도출하는 것.
• 개별 효과와 확산 효과를 하나의 유용도 함수에 통합하여 그래프 상에서 최적의 의사결정을 내리는 것.

제안 방법

• 프레임워크는 단위를 나타내는 노드, 사회적 연결을 나타내는 간선, 네트워크 구조를 캡처하는 인접 행렬을 포함하는 방향 그래프를 사용하여 간섭을 모델링한다.
• 이웃 치료를 요약하는 일반화된 노출 변수 $ G_i $ 를 도입하여, 간섭 하에서 개인 효과와 확산 효과를 추정할 수 있도록 한다.
• 그래프 신경망을 사용하여 노드와 그 이웃의 표현을 학습하여 네트워크 구조 내 복잡한 의존성을 포착한다.
• 개인 치료 효과 $ \tau $ 와 동료 효과 $ \delta $ 를 포함하는 새로운 유용도 함수는 자원 가용성에 민감한 스케일링 인자 $ \min\{1, p_t / \mathcal{P}_{\boldsymbol{\chi}}(\pi)\} $ 를 가중치로 사용한다.
• 농도 불확실성 불등식과 커버링 수를 사용하여 정책 손실 경계를 유도하여, 학습된 정책이 표본 수가 증가함에 따라 최적 정책로 수렴하도록 보장한다.
• 이론적 분석을 통해 정책 기능 클래스의 리프시츠 연속성을 확립하여 유한 표본으로부터의 일반화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 결과가 이웃 단위의 치료에 의존하는 네트워크 간섭이 존재하는 상황에서 개인 치료 효과를 신뢰성 있게 추정할 수 있는 방법은 무엇인가?
• RQ2 간섭은 정책 학습에 어떤 영향을 미치며, 이를 어떻게 모델링하여 그래프 상의 의사결정 규칙을 향상시킬 수 있는가?
• RQ3 치료 용량 제약 조건을 원인 인과 정책 학습에 어떻게 공식적으로 통합할 수 있으며, 이는 확장성과 최적성 보장을 위해 어떻게 기여하는가?
• RQ4 간섭과 제한된 치료 가능성이 존재하는 상황에서 정책 손실에 대해 어떤 이론적 보장을 제공할 수 있는가?
• RQ5 그래프 신경망은 복잡한 네트워크 시스템에서 개인 효과와 동료 효과를 효과적으로 포착할 수 있는가?

주요 결과

• 논문은 네트워크 간섭과 자원 제약 조건 하에서 정책 학습에 대해 증명 가능한 손실 경계를 확립하여, 표본 수가 증가함에 따라 학습된 정책이 최적 정책으로 수렴함을 보였다.
• 손실 경계는 치료 용량 $ p_t $ 의 역수 비례로 스케일링되며, 이는 제한된 자원이 정책 최적화의 어려움을 증가시킴을 시사한다.
• 유용도 함수는 자원 가용성에 민감한 정규화를 통해 개인 효과와 동료 효과를 통합하여, 치료 배정이 제약 조건에 처할 때도 안정적인 정책 업데이트를 보장한다.
• 이론적 분석을 통해 정책 기능 클래스가 리프시츠 연속성을 가지며, 커버링 수 경계를 통해 유한 표본으로부터의 일반화가 가능함을 입증하였다.
• 정책 클래스의 커버링 수를 포함하는 농도 불확실성 불등식을 통해, 유용도 차이의 수렴이 높은 확률로 이루어짐을 수식으로 정의하였다.
• 이론적 보장을 통해 경험적 검증이 가능하며, 특히 경험적 정책 유용도와 진정한 정책 유용도의 차이에 대한 경계를 제공하여 추정 오차에 대한 강건성을 확보하였다.