Treatment effect estimation from observational data is a critical research topic across many domains. The foremost challenge in treatment effect estimation is how to capture hidden confounders. Recently, the growing availability of networked observational data offers a new opportunity to deal with the issue of hidden confounders. Unlike networked data in traditional graph learning tasks, such as node classification and link detection, the networked data under the causal inference problem has its particularity, i.e., imbalanced network structure. In this paper, we propose a Graph Infomax Adversarial Learning (GIAL) model for treatment effect estimation, which makes full use of the network structure to capture more information by recognizing the imbalance in network structure. We evaluate the performance of our GIAL model on two benchmark datasets, and the results demonstrate superiority over the state-of-the-art methods.


翻译:从观测数据中测得的处理效果估计是许多领域的一个关键研究课题。治疗效果估计中最重要的挑战是如何捕捉隐藏的混淆分子。最近,网络观测数据的日益普及为处理隐蔽的混淆分子问题提供了新的机会。与传统图表学习任务(如节点分类和连接检测)中的网络数据不同,因果推断问题下的网络数据具有其特殊性,即网络结构不平衡。在本文件中,我们提议了一个用于治疗效果估测的Great Infomex Aversarial Learning(GIAL)模型,该模型充分利用网络结构,通过确认网络结构的不平衡来捕捉更多的信息。我们评估了我们的GIal模型在两个基准数据集上的性能,其结果显示优于最新方法。

0
下载
关闭预览

相关内容

专知会员服务
31+阅读 · 2021年6月12日
【NeurIPS 2020】生成对抗性模仿学习的f-Divergence
专知会员服务
25+阅读 · 2020年10月9日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Bayesian Attention Belief Networks
Arxiv
9+阅读 · 2021年6月9日
Arxiv
27+阅读 · 2020年12月24日
Arxiv
110+阅读 · 2020年2月5日
Adversarial Transfer Learning
Arxiv
12+阅读 · 2018年12月6日
VIP会员
Top
微信扫码咨询专知VIP会员