简介：本文对结构化干预(如图表、图像、文本数据)的条件平均干预效果(Conditional Average Treatment Effects)进行估计。在干预效应的弱条件下，我们提出广义Robinson分解，它 (1)分离因果估计从而减少正则化误差，(2)允许接入任意模型进行学习，(3)在温和的假设下具有quasi-oracle的收敛保证。在小世界和分子图的实验中，我们证明了我们的方法在CATE估计方面优于之前的工作。

链接：https://arxiv.org/pdf/2106.01939.pdf
推荐理由：本文使用GNN来建模treatment的结构，并接入了模型之中，相较于之前的算法更加精细，具有更好的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除