[论文解读] 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 7

一句话总结

本文提出了一种基于图神经网络的框架，用于在存在网络干扰的条件下进行因果推断，其中个体结果受其邻居治疗的影响。该框架引入了一种新颖的效用函数，用于在容量约束下进行策略学习，并推导出可证明的后悔边界，确保在存在干扰和资源有限的情况下实现最优治疗分配。

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.

研究动机与目标

• 为解决在随机实验中，由于邻近单位的干扰导致结果偏差，从而影响个体处理效应估计的挑战。
• 利用图神经网络（GNNs）对网络化单位中的复杂依赖关系进行建模，以改进因果效应估计。
• 开发一种策略学习框架，综合考虑在治疗容量约束下的个体效应和同伴效应。
• 在存在干扰和治疗资源有限的情况下，为策略改进推导理论上的后悔边界。
• 将个体效应和溢出效应统一到一个效用函数中，以实现在图上的最优决策。

提出的方法

• 该框架使用有向图建模干扰，其中节点表示单位，边表示社交联系，邻接矩阵捕捉网络结构。
• 引入广义暴露变量 $ G_i $，总结邻域内的治疗情况，从而在存在干扰的情况下估计个体效应和溢出效应。
• 使用图神经网络学习节点及其邻域的表示，捕捉网络结构中的复杂依赖关系。
• 提出一种新颖的效用函数，将个体处理效应 $ \tau $ 和同伴效应 $ \delta $ 组合，通过一种与容量相关的缩放因子 $ \min\{1, p_t / \mathcal{P}_{\boldsymbol{\chi}}(\pi)\} $ 进行加权。
• 通过使用集中不等式和覆盖数，推导出策略后悔边界，确保学习到的策略收敛到最优策略。
• 理论分析表明，策略函数类具有利普希茨连续性，从而可通过覆盖数边界实现从有限样本中的泛化。

实验结果

研究问题

• RQ1 在结果依赖于邻居治疗的网络干扰环境下，如何可靠地估计个体处理效应？
• RQ2 干扰对策略学习有何影响？如何建模干扰以改进图上的决策规则？
• RQ3 如何将治疗容量约束正式整合到因果策略学习中，以确保可扩展性和最优性？
• RQ4 在存在干扰和治疗资源有限的情况下，可以为策略后悔提供哪些理论保证？
• RQ5 图神经网络能否在复杂网络化系统中有效捕捉个体效应和同伴效应？

主要发现

• 本文在存在网络干扰和容量约束的条件下，为策略学习建立了可证明的后悔边界，表明随着样本量增加，学习到的策略会收敛到最优策略。
• 后悔边界与治疗容量 $ p_t $ 的倒数成比例，表明容量有限会增加策略优化的难度。
• 效用函数通过一种与容量相关的归一化方式，同时整合了个体效应和同伴效应，确保在治疗分配受限时策略更新的稳定性。
• 理论分析表明，策略函数类具有利普希茨连续性，从而可通过覆盖数边界实现在有限样本中的泛化。
• 该框架在高概率下实现了效用差值的收敛，其形式化由涉及策略类覆盖数的集中不等式给出。
• 实证验证得到了理论保证的支持，包括经验效用与真实效用之间差值的边界，确保对估计误差具有鲁棒性。