简介：超图为建模节点之间的多路组互动提供了一个有效的抽象，其中每个超图可以连接任意数量的节点。与大多数现有研究不同的是，我们从因果关系的角度来研究超图。具体来说，在本文中，我们关注超图上的个体治疗效果（ITE）估计问题，旨在估计一项干预措施（如戴面罩）对每个个体节点的结果（如COVID-19感染）会产生多大的因果关系。现有的ITE估计工作要么假设一个人的结果不应该受到其他个体的治疗分配的影响（即没有干扰），要么假设干扰只存在于普通图中的一对连接个体之间。我们认为，这些假设在现实世界的超图上是不现实的，由于群体互动的存在，高阶干扰会影响最终的ITE估计。在这项工作中，我们研究了高阶干扰建模，并提出了一个由超图神经网络驱动的新因果关系学习框架。在真实世界的超图上进行的大量实验验证了我们的框架比现有基线的优越性。

论文地址：https://arxiv.org/pdf/2207.04049.pdf

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