Imagina que estás tratando de averiguar por qué algunas plantas en un jardín crecen más altas que otras. En un mundo simple, podrías limitarte a observar el agua y la luz solar que recibe cada planta. Pero en un jardín real, las plantas son vecinas. Si riegas una planta, esta podría dar sombra a su vecina, o sus raíces podrían robar nutrientes, o tal vez el exceso de agua hace que el suelo sea empapado para todos los cercanos. Este es el complicado mundo de la "interferencia": donde lo que le sucede a una cosa cambia lo que le sucede a sus amigos. Los científicos llaman a esto "inferencia causal", y quieren saber el efecto real de un tratamiento (como un nuevo medicamento o una campaña de marketing) sin confundirse con estos efectos secundarios vecinales. Normalmente, para resolver esto, los investigadores tienen que hacer una gran conjetura sobre cómo se influyen los vecinos entre sí. Podrían asumir, por ejemplo, que "cuantos más vecinos tengan el tratamiento, más se verán afectados". Pero, ¿y si esa conjetura es errónea? ¿Qué tal si la influencia depende de qué vecinos específicos recibieron el tratamiento, o de sus personalidades únicas? Si la conjetura es errónea, todo el cálculo se desmorona.

Este es exactamente el problema que aborda un nuevo método llamado HINet, propuesto por los investigadores Daan Caljon, Jente Van Belle y Wouter Verbeke. En lugar de forzar una conjetura prefabricada sobre cómo interactúan los vecinos, HINet es como un detective superinteligente que aprende las reglas del vecindario por su cuenta. Los investigadores construyeron una red neuronal (un tipo de cerebro computacional) que observa toda la red de conexiones y descubre cómo los tratamientos se propagan a través del grupo sin necesidad de un manual. Lo probaron con datos ficticios y redes sociales del mundo real, y descubrieron que HINet obtiene la respuesta correcta de manera consistente, incluso cuando las "reglas" del vecindario son complejas y desconocidas. En contraste, los métodos más antiguos que dependen de adivinar las reglas suelen fallar estrepitosamente cuando su conjetura falla por poco. El artículo sugiere que, al dejar que la computadora aprenda las dinámicas del vecindario directamente, podemos tomar mejores decisiones sobre a quién tratar, ya sea en medicina o en negocios, sin tropezar con la realidad desordenada de la influencia social.

El Problema: El "Juego de las Adivinanzas" de los Vecinos

Imagina que eres un médico tratando de probar una nueva vacuna. Se la das a algunas personas y a otras no. En un mundo perfecto e aislado, podrías simplemente comparar las tasas de enfermedad de los dos grupos. Pero las personas no están aisladas; forman parte de una red social. Si tu amigo vacunado recibe la dosis, puede que no se enferme, pero tampoco te pasará el virus a ti. Estás protegido aunque no hayas recibido la inyección. Esto es interferencia: el tratamiento de una persona cambia el resultado de otra.

Para medir esto, los científicos suelen utilizar algo llamado mapeo de exposición (exposure mapping). Piensa en esto como una receta para mezclar la "influencia del vecindario". Una receta común es simple: "Cuenta cuántos de tus vecinos inmediatos recibieron el tratamiento y divídelo por el número total de vecinos". Si el 50% de tus amigos recibió la inyección, tu "exposición" es 0.5. Esto funciona de maravilla si la influencia es realmente un promedio simple. Pero en el mundo real, la influencia es desordenada. Tal vez solo te importa si tu mejor amigo recibió la inyección, o tal vez solo te ves afectado si tres vecinos específicos la recibieron. Si el científico utiliza la receta del "promedio" simple cuando la regla real es "solo el mejor amigo", su cálculo del efecto de la vacuna será erróneo. Esto se llama especificación errónea (misspecification), y es un gran dolor de cabeza porque, en la mayoría de las situaciones del mundo real, nadie conoce realmente la receta verdadera.

La Solución: HINet, el Detective del Vecindario

Los autores proponen HINet (Red de Interferencia Heterogénea) para resolver esto. En lugar de pedirle al científico que escriba la receta, HINet trae una herramienta poderosa llamada Red Neuronal de Grafos (GNN).

Piensa en una GNN como un detective que no solo mira a una persona, sino que observa toda la fiesta. Cuando HINet intenta predecir qué le sucederá a una persona, no solo mira si esa persona recibió el tratamiento. Observa los rasgos de la persona y luego escanea todo su círculo de amigos. Se pregunta: "¿Quién en este círculo recibió el tratamiento? ¿Cuáles son sus rasgos? ¿Cómo afecta esa mezcla específica a nuestro objetivo?".

Crucialmente, HINet hace esto de forma conjunta. Aprende la "representación del vecindario" (el resumen de quién está a tu alrededor y qué está haciendo) al mismo tiempo que aprende a predecir el resultado. Es como un estudiante que aprende a resolver un problema matemático mientras descubre simultáneamente las reglas del juego. Debido a que aprende las reglas de los datos mismos, no necesita un mapeo de exposición preescrito. Puede descubrir que la influencia depende de vecinos específicos, o de combinaciones complejas, sin que se le haya dicho que las busque.

El Equilibrio: Evitando la Trampa del "Falso Amigo"

Hay un segundo problema que el artículo aborda. En la vida real, las personas no reciben tratamientos de forma aleatoria. Tal vez el médico da la vacuna a personas sanas, o una campaña de marketing se dirige a barrios ricos. Esto crea un sesgo llamado desequilibrio de configuración de tratamiento (treatment-configuration imbalance). Si el grupo tratado es muy diferente del grupo no tratado, es difícil saber si el resultado fue causado por el tratamiento o simplemente por el hecho de que eran diferentes desde el principio.

En una red, esto se vuelve aún más extraño. Si tus amigos son todos similares a ti (un concepto llamado homofilia) y es probable que todos reciban el mismo tratamiento, entonces tu "configuración de tratamiento local" (tú + los tratamientos de tus amigos) es predecible basándose en tus rasgos. HINet utiliza un truque ingenioso llamado entrenamiento adversarial para solucionar esto.

Imagina un juego de "Escondite y Buscar":

1. El Predictor (el cerebro principal de HINet) intenta predecir el resultado (por ejemplo, "¿Comprará este producto esta persona?").
2. El Adversario (el "Buscador") intenta adivinar quién recibió el tratamiento simplemente mirando los datos que HINet ha procesado.

HINet se entrena para que el Predictor sea preciso mientras simultáneamente engaña al Adversario. Quiere crear una "representación" de los datos que sea tan equilibrada que el Adversario no pueda distinguir quién recibió el tratamiento y quién no. Al hacer esto, HINet asegura que las diferencias en los resultados se deban realmente al tratamiento, y no porque el grupo tratado fuera simplemente un tipo de persona diferente desde el principio. El artículo muestra que este equilibrio consciente de la red es crucial, especialmente cuando la asignación del tratamiento depende fuertemente del entorno local.

Lo que Encontraron: El Método de "No Adivinar" Gana

Los investigadores probaron HINet en varios conjuntos de datos, incluyendo redes ficticias que construyeron para simular diferentes tipos de interferencia (como el modelo "Barabási–Albert" y modelos de "Homofilia") y datos del mundo real de redes sociales como Flickr y grafos de coautoría. Compararon HINet contra otros métodos que dependen de adivinar el mapeo de exposición (como NetEst y TNet) y métodos que ignoran la red por completo.

Los resultados fueron claros:

• Cuando la conjetra era correcta: Los métodos que adivinaron correctamente el mapeo de exposición funcionaron bien, pero también lo hizo HINet.
• Cuando la conjetra era errónea: Aquí es donde ocurrió la magia. Cuando los investigadores cambiaron las reglas de la simulación (por ejemplo, haciendo que la influencia dependiera de un vecino específico en lugar del promedio), los métodos de adivinación colapsaron. Sus tasas de error se dispararon porque su receta preestablecida no coincidía con la realidad.
• La consistencia de HINet: HINet se desempeñó de manera consistente en todos los escenarios. No importaba si la interferencia era simple, compleja o basada en vecinos específicos. Debido a que aprendió el patrón de los datos, no se dejó confundir por una suposición errónea.

El artículo también introdujo dos nuevas formas de medir el éxito llamadas CNEE (Error de Estimación de Red Contrafactual) y PEHNE (Precisión en la Estimación de Efectos de Red Heterogéneos). Estas métricas comprueban qué tan bien un modelo predice los resultados a través de muchos diferentes escenarios de "qué pasaría si", no solo el que realmente sucedió. HINet obtuvo los errores más bajos en estas métricas, demostrando que es robusto.

La Conclusión

El hallazgo principal es que no necesitas conocer las reglas de la interferencia para medir sus efectos. Al utilizar una red neuronal flexible que aprende las dinámicas del vecindario sobre la marcha y equilibra los datos para eliminar el sesgo, HINet puede estimar los efectos del tratamiento con precisión incluso cuando el mecanismo subyacente es un misterio.

Los autores sugieren que, si bien los métodos más antiguos son útiles si estás absolutamente seguro de cómo se influyen los vecinos, son arriesgados en el mundo real donde esas reglas son desconocidas. HINet ofrece una alternativa más segura y consistente. Sugiere que en el desordenado e interconectado mundo de las redes sociales, el mejor enfoque es dejar que los datos nos enseñen las reglas, en lugar de imponer nuestras propias conjeturas sobre ellos. El artículo no pretende haber resuelto todos los problemas de la inferencia causal, pero proporciona una herramienta sólida y respaldada por la evidencia para navegar la incertidumbre de la interferencia en redes.