[论文解读] Learning Individual Causal Effects from Networked Observational Data

Ruocheng Guo, Jundong Li+1 more|arXiv (Cornell University)|Jun 8, 2019

Advanced Causal Inference Techniques参考文献 37被引用 6

一句话总结

本文提出网络去混杂方法（network deconfounder），一种新颖的因果推断框架，利用网络结构识别并去混杂观测数据中的隐性混杂因素，从而更准确地估计个体处理效应。通过使用图卷积网络（GCN）从网络拓扑中学习混杂因素表示，该方法在真实世界数据集上显著优于现有最先进基线方法，提升了因果效应估计的准确性。

ABSTRACT

Convenient access to observational data enables us to learn causal effects without randomized experiments. This research direction draws increasing attention in research areas such as economics, healthcare, and education. For example, we can study how a medicine (the treatment) causally affects the health condition (the outcome) of a patient using existing electronic health records. To validate causal effects learned from observational data, we have to control confounding bias -- the influence of variables which causally influence both the treatment and the outcome. Existing work along this line overwhelmingly relies on the unconfoundedness assumption that there do not exist unobserved confounders. However, this assumption is untestable and can even be untenable. In fact, an important fact ignored by the majority of previous work is that observational data can come with network information that can be utilized to infer hidden confounders. For example, in an observational study of the individual-level treatment effect of a medicine, instead of randomized experiments, the medicine is often assigned to each individual based on a series of factors. Some of the factors (e.g., socioeconomic status) can be challenging to measure and therefore become hidden confounders. Fortunately, the socioeconomic status of an individual can be reflected by whom she is connected in social networks. With this fact in mind, we aim to exploit the network information to recognize patterns of hidden confounders which would further allow us to learn valid individual causal effects from observational data. In this work, we propose a novel causal inference framework, the network deconfounder, which learns representations to unravel patterns of hidden confounders from the network information. Empirically, we perform extensive experiments to validate the effectiveness of the network deconfounder on various datasets.

研究动机与目标

• 为解决现有因果推断方法依赖不可验证的忽略性假设、且无法处理观测数据中隐性混杂因素的关键局限性。
• 利用现实世界观测数据中常见的网络结构作为信息来源，推断未测量混杂因素的模式。
• 开发一种可扩展的、基于表征的框架，从网络拓扑中学习混杂因素嵌入表示，以提升个体处理效应的估计效果。
• 在隐性混杂因素普遍存在且不可测量的真实世界环境中，验证基于网络的混杂因素去混杂方法的有效性。
• 通过整合网络的结构信息，将因果推断从可观测特征扩展至更广范围，提升方法的鲁棒性与准确性。

提出的方法

• 网络去混杂框架利用图卷积网络（GCNs）从观测数据的网络结构中学习混杂因素的低维表示。
• 在学习混杂因素相关表示的同时，联合优化处理和结果预测，以最小化处理组与对照组之间的不平衡。
• 该方法利用GCN的空间局部性，通过相连节点传播信息，捕捉反映隐性混杂因素（如社会经济地位）的群体级模式。
• 将去混杂目标形式化为表示学习问题，模型在学习到的混杂因素空间中被训练以平衡处理组与对照组的分布。
• 该框架支持离散和连续处理，并通过结果的后验分布提供不确定性量化。
• 可与下游模型集成用于个体处理效应（ITE）估计，实现从网络化观测数据中端到端学习因果效应。

实验结果

研究问题

• RQ1 能否利用观测数据中的网络结构来推断并去混杂通过标准特征无法测量的隐性混杂因素？
• RQ2 与仅依赖可观测特征的方法相比，整合网络拓扑在多大程度上能提升个体处理效应估计的准确性？
• RQ3 图神经网络在多大程度上能学习到有效的混杂因素表示，从而有效减少因果推断中未观测混杂因素带来的偏差？
• RQ4 网络去混杂方法是否在多种真实世界数据集中均优于现有最先进方法，实现更优的个体处理效应估计？
• RQ5 该框架能否泛化至动态或演化的网络结构？时间依赖关系在多大程度上可进一步增强混杂因素推断？

主要发现

• 网络去混杂方法在多个真实世界数据集（包括医疗保健和社交网络数据）中显著优于现有最先进方法，有效提升了个体处理效应的估计性能。
• 通过网络结构有效捕捉隐性混杂因素模式，该方法在ITE估计中实现了更低的均方误差（MSE）。
• 实证结果表明，从网络中学习到的基于GCN的混杂因素表示可有效减少处理组与对照组之间的不平衡，从而提升因果估计的准确性。
• 该框架对未测量混杂因素表现出强鲁棒性，尤其在传统方法因不可验证的忽略性假设而失效的场景中表现更优。
• 消融研究证实，网络信息对混杂因素表示学习具有实质性贡献，当移除网络结构时性能显著下降。
• 该模型为预测结果提供不确定性量化，增强了在真实世界应用中的可解释性与可靠性。