← 研踪 PaperTrail软件学报:jos:7668 · 记录 #1
面向网络数据的局部结构感知的反事实样本构建
来源日期 2026-09-09
来源记录日期 2026-09-09
雷达观测 2026-11-05 00:17
摘要
个体治疗效应(individual treatment effect)旨在精确度量治疗对个体的因果作用, 是实现个性化决策的关键. 然而, 在网络观测数据(networked observational data)中, 反事实结果的不可观测性与个体间因网络连接而产生的复杂依赖和混杂因素相互交织, 给精准估计个体治疗效应构成了巨大的挑战. 现有研究通常通过在处理组和对照组之间实现分布平衡, 以训练模型预测个体的反事实结果并估计治疗效应, 但该策略往往局限于粗粒度的全局分布对齐, 忽视了局部结构在反事实构建中的作用, 从而可能引入额外偏差. 为了解决上述问题, 提出一种基于局部结构感知的反事实样本构建(local structure-aware counterfactual sample construction, LSCSC)方法, 以提升网络化场景下的因果效应估计精度. LSCSC是一种基于K最近邻 (K-nearest neighbours, KNN)引导的方法, 其核心思想是为个体匹配具有相反治疗分配且反事实预测结果与个体观测结果相近的邻居, 从而构建局部结构感知的反事实参考样本. 通过显式建模局部结构依赖关系, LSCSC增强了个体协变量之间的对齐, 有效缓解了由混杂因素与网络结构共同导致的偏差. 此外, LSCSC集成了表征平衡学习模块, 以进一步适应协变量的异质性. 值得注意的是, LSCSC具有良好的通用性, 可与多种因果效应估计模型无缝结合. 基于真实社交网络的两个半合成数据集的实验结果表明, LSCSC在个体治疗效应估计的准确性上显著优于现有最先进方法, 验证了其有效性与优越性.
论文发现出处
这些页面提供论文线索，不代表同行评审或质量认证。
发表信息与关联版本
软件学报 ↗2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007668
观测到的版本
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
记录 #1 · 2026-09-09 · 最新观测版本
面向网络数据的局部结构感知的反事实样本构建
个体治疗效应(individual treatment effect)旨在精确度量治疗对个体的因果作用, 是实现个性化决策的关键. 然而, 在网络观测数据(networked observational data)中, 反事实结果的不可观测性与个体间因网络连接而产生的复杂依赖和混杂因素相互交织, 给精准估计个体治疗效应构成了巨大的挑战. 现有研究通常通过在处理组和对照组之间实现分布平衡, 以训练模型预测个体的反事实结果并估计治疗效应, 但该策略往往局限于粗粒度的全局分布对齐, 忽视了局部结构在反事实构建中的作用, 从而可能引入额外偏差. 为了解决上述问题, 提出一种基于局部结构感知的反事实样本构建(local structure-aware counterfactual sample construction, LSCSC)方法, 以提升网络化场景下的因果效应估计精度. LSCSC是一种基于K最近邻 (K-nearest neighbours, KNN)引导的方法, 其核心思想是为个体匹配具有相反治疗分配且反事实预测结果与个体观测结果相近的邻居, 从而构建局部结构感知的反事实参考样本. 通过显式建模局部结构依赖关系, LSCSC增强了个体协变量之间的对齐, 有效缓解了由混杂因素与网络结构共同导致的偏差. 此外, LSCSC集成了表征平衡学习模块, 以进一步适应协变量的异质性. 值得注意的是, LSCSC具有良好的通用性, 可与多种因果效应估计模型无缝结合. 基于真实社交网络的两个半合成数据集的实验结果表明, LSCSC在个体治疗效应估计的准确性上显著优于现有最先进方法, 验证了其有效性与优越性.
查看此版本解读 →查看此版本原文 ↗