🤖 machine learning

Estimating Treatment Effects in Networks under Unknown Exposure Mappings

Cet article présente HINet, une méthode de réseau de neurones qui exploite des réseaux de neurones sur graphes expressifs et un entraînement antagoniste de domaine pour estimer les effets de traitement hétérogènes dans des contextes de réseaux sans s'appuyer sur des correspondances d'exposition présécrétées ou potentiellement mal spécifiées.

Auteurs originaux : Daan Caljon, Jente Van Belle, Wouter Verbeke

Publié 2026-08-04

📖 9 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Daan Caljon, Jente Van Belle, Wouter Verbeke

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de comprendre pourquoi certaines plantes dans un jardin poussent plus haut que d'autres. Dans un monde simple, vous pourriez simplement regarder l'eau et la lumière du soleil que reçoit chaque plante. Mais dans un vrai jardin, les plantes sont des voisines. Si vous arrosez une plante, elle peut faire de l'ombre à sa voisine, ou ses racines peuvent voler les nutriments, ou peut-être que l'excès d'eau rend le sol détrempé pour tous ceux qui se trouvent à proximité. C'est le monde complexe de l'« interférence » : là où ce qui arrive à une chose modifie ce qui arrive à ses amis. Les scientifiques appellent cela l'« inférence causale », et ils veulent connaître l'effet réel d'un traitement (comme un nouveau médicament ou une campagne de marketing) sans être perturbés par ces effets secondaires de voisinage. Habituellement, pour résoudre cela, les chercheurs doivent faire une grande supposition sur comment les voisins s'influencent les uns les autres. Ils pourraient supposer, par exemple, que « plus vous avez de voisins qui ont reçu le traitement, plus vous êtes affecté ». Mais que se passe-t-il si cette supposition est fausse ? Et si l'influence dépend de quels voisins spécifiques ont été traités, ou de leurs personnalités uniques ? Si la supposition est fausse, tout le calcul s'effondre.

C'est exactement le problème abordé par une nouvelle méthode appelée HINet, proposée par les chercheurs Daan Caljon, Jente Van Belle et Wouter Verbeke. Au lieu de forcer une supposition préétablie sur la façon dont les voisins interagissent, HINet est comme un détective super intelligent qui apprend les règles du quartier par lui-même. Les chercheurs ont construit un réseau de neurones (un type de cerveau informatique) qui observe l'ensemble du réseau de connexions et comprend comment les traitements se propagent dans le groupe sans avoir besoin d'un mode d'emploi. Ils ont testé cela sur des données fictives et des réseaux sociaux réels, et ont constaté que HINet obtient systématiquement la bonne réponse, même lorsque les « règles » du voisinage sont complexes et inconnues. En revanche, les méthodes plus anciennes qui reposent sur des suppositions concernant les règles échouent souvent lamentablement lorsque leur supposition est légèrement erronée. Le papier suggère qu'en laissant l'ordinateur apprendre directement la dynamique du voisinage, nous pouvons prendre de bien meilleures décisions sur qui traiter, que ce soit en médecine ou en affaires, sans être piégés par la réalité désordonnée de l'influence sociale.

Le Problème : Le « Jeu de la devinette » des voisins

Imaginez que vous êtes un médecin essayant de tester un nouveau vaccin. Vous le donnez à certaines personnes et pas à d'autres. Dans un monde parfait et isolé, vous pourriez simplement comparer les taux de maladie des deux groupes. Mais les gens ne sont pas isolés ; ils font partie d'un réseau social. Si votre ami vacciné reçoit la dose, il ne tombera peut-être pas malade, mais il ne vous transmettra pas non plus le virus. Vous êtes protégé même si vous n'avez pas reçu la dose. C'est l'interférence : le traitement d'une personne modifie le résultat d'une autre.

Pour mesurer cela, les scientifiques utilisent généralement ce qu'on appelle une cartographie d'exposition (exposure mapping). Voyez cela comme une recette pour mélanger l'« influence du voisinage ». Une recette courante est simple : « Comptez combien de vos voisins immédiats ont reçu le traitement, et divisez par le nombre total de voisins. » Si 50 % de vos amis ont reçu la dose, votre « exposition » est de 0, 5. Cela fonctionne très bien si l'influence est réellement une simple moyenne. Mais dans le monde réel, l'influence est désordonnée. Peut-être que vous ne vous souciez que si votre meilleur ami a reçu la dose, ou peut-être que vous n'êtes affecté que si trois voisins spécifiques l'ont reçue. Si le scientifique utilise la recette de la « moyenne » simple alors que la vraie règle est « seulement le meilleur ami », son calcul de l'effet du vaccin sera faux. C'est ce qu'on appelle une spécification erronée (misspecification), et c'est un énorme casse-tête car, dans la plupart des situations réelles, personne ne connaît réellement la véritable recette.

La Solution : HINet, le détective du voisinage

Les auteurs proposent HINet (Heterogeneous Interference Network) pour résoudre ce problème. Au lieu de demander au scientifique d'écrire la recette, HINet apporte un outil puissant appelé Réseau de Neurones sur Graphe (GNN).

Considérez un GNN comme un détective qui ne regarde pas seulement une personne, mais qui observe toute la fête. Lorsque HINet essaie de prédire ce qui va arriver à une personne, il ne regarde pas seulement si cette personne a reçu le traitement. Il examine les traits propres de la personne, puis scanne tout son cercle d'amis. Il demande : « Qui dans ce cercle a reçu le traitement ? Quels sont leurs traits ? Comment ce mélange spécifique affecte-t-il notre cible ? »

Crucialement, HINet fait cela de manière conjointe. Il apprend la « représentation du voisinage » (le résumé de qui est autour de vous et de ce qu'ils font) exactement au moment où il apprend à prédire le résultat. C'est comme un étudiant qui apprend à résoudre un problème de mathématiques en comprenant simultanément les règles du jeu. Parce qu'il apprend les règles à partir des données elles-mêmes, il n'a pas besoin d'une cartographie d'exposition pré-écrite. Il peut découvrir que l'influence dépend de voisins spécifiques, ou de combinaisons complexes, sans qu'on lui dise de les chercher.

L'Équilibre : Éviter le piège du « Faux Ami »

Il existe un second problème abordé par le papier. Dans la vraie vie, les gens ne reçoivent pas les traitements de manière aléatoire. Peut-être que le médecin donne le vaccin aux personnes en bonne santé, ou qu'une campagne de marketing cible les quartiers riches. Cela crée un biais appelé déséquilibre de configuration de traitement (treatment-configuration imbalance). Si le groupe traité est très différent du groupe non traité, il est difficile de dire si le résultat a été causé par le traitement ou simplement par le fait qu'ils étaient différents au départ.

Dans un réseau, cela devient encore plus étrange. Si vos amis vous ressemblent tous (un concept appelé homophilie) et que vous êtes tous susceptibles de recevoir le même traitement, alors votre « configuration de traitement locale » (vous + les traitements de vos amis) est prévisible en fonction de vos traits. HINet utilise une astuce ingénieuse appelée entraînement antagoniste (adversarial training) pour corriger cela.

Imaginez un jeu de « Cache-cache » :

Le Prédicteur (le cerveau principal de HINet) essaie de prédire le résultat (par exemple, « Cette personne va-t-elle acheter le produit ? »).
L'Antagoniste (le « Chercheur ») essaie de deviner qui a reçu le traitement en regardant simplement les données que HINet a traitées.

HINet est entraîné pour rendre le Prédicteur précis tout en trompant simultanément l'Antagoniste. Il veut créer une « représentation » des données qui soit si équilibrée que l'Antagoniste ne puisse pas distinguer qui a reçu le traitement et qui ne l'a pas reçu. Ce faisant, HINet garantit que les différences de résultats sont réellement dues au traitement, et non parce que le groupe traité était simplement un type de personne différent dès le départ. Le papier montre que cet équilibrage sensible au réseau est crucial, surtout lorsque l'attribution du traitement dépend fortement de l'environnement local.

Ce qu'ils ont trouvé : La méthode « Sans devinette » gagne

Les chercheurs ont testé HINet sur plusieurs ensembles de données, y compris des réseaux fictifs qu'ils ont construits pour simuler différents types d'interférences (comme le modèle « Barabási–Albert » et les modèles d'« Homophilie ») et des données réelles provenant de réseaux sociaux comme Flickr et des graphes de co-autorat. Ils ont comparé HINet à d'autres méthodes qui reposent sur la devinette de la cartographie d'exposition (comme NetEst et TNet) et à des méthodes qui ignorent totalement le réseau.

Les résultats étaient clairs :

Quand la devinette était juste : Les méthodes qui avaient correctement deviné la cartographie d'exposition ont bien performé, mais HINet aussi.
Quand la devinette était fausse : C'est là que la magie a opéré. Lorsque les chercheurs ont modifié les règles de la simulation (par exemple, en faisant dépendre l'influence d'un voisin spécifique plutôt que de la moyenne), les méthodes de devinettes se sont effondrées. Leurs taux d'erreur ont grimpé en flèche car leur recette pré-établie ne correspondait pas à la réalité.
La cohérence de HINet : HINet a performé de manière constante dans tous les scénarios. Peu importait que l'interférence soit simple, complexe ou basée sur des voisins spécifiques. Parce qu'il a appris le schéma à partir des données, il n'a pas été déstabilisé par une supposition erronée.

Le papier a également introduit deux nouvelles façons de mesurer le succès appelées CNEE (Erreur d'estimation de réseau contrefactuel) et PEHNE (Précision dans l'estimation des effets de réseau hétérogènes). Ces mesures vérifient la capacité d'un modèle à prédire les résultats à travers de nombreux scénarios « et si » différents, et pas seulement celui qui s'est réellement produit. HINet a obtenu les erreurs les plus faibles sur ces mesures, prouvant qu'il est robuste.

À retenir

La conclusion principale est qu'on n'a pas besoin de connaître les règles de l'interférence pour mesurer ses effets. En utilisant un réseau de neurones flexible qui apprend la dynamique du voisinage à la volée et équilibre les données pour éliminer le biais, HINet peut estimer les effets de traitement avec précision, même lorsque le mécanisme sous-jacent est un mystère.

Les auteurs suggèrent que, bien que les méthodes plus anciennes soient utiles si vous êtes absolument certain de la façon dont les voisins s'influencent, elles sont risquées dans le monde réel où ces règles sont inconnues. HINet offre une alternative plus sûre et plus cohérente. Cela suggère que dans le monde désordonné et interconnecté des réseaux sociaux, la meilleure approche est de laisser les données nous enseigner les règles, plutôt que d'imposer nos propres suppositions. Le papier ne prétend pas avoir résolu tous les problèmes de l'inférence causale, mais il fournit un outil solide et étayé par des preuves pour naviguer dans l'incertitude de l'interférence de réseau.

Résumé technique : Estimation des effets de traitement dans les réseaux sous des cartographies d'exposition inconnues

Énoncé du problème

L'estimation des effets de traitement hétérogènes dans les contextes de réseaux est compliquée par l'interférence, où le résultat d'une instance est influencé par le statut de traitement de ses voisins. Bien que les méthodes récentes d'apprentissage automatique causal traitent l'interférence, elles reposent généralement sur une cartographie d'exposition présupposée — une fonction qui agrège les traitements des voisins en une seule variable (par exemple, la proportion de voisins traités) pour résumer leur influence sur le résultat d'une instance.

Cette dépendance à une cartographie présupposée présente deux problèmes critiques :

Erreur de spécification : Dans de nombreux scénarios réels, le mécanisme de débordement (spillover) est inconnu ou complexe (par exemple, dépendant de caractéristiques spécifiques des voisins plutôt que du simple nombre de voisins traités). Une cartographie présupposée qui ne correspond pas au mécanisme sous-jacent conduit à des estimations inexactes.
Déséquilibre des configurations de traitement : Dans les données observationnelles, l'assignation du traitement dépend souvent des covariables. Sous l'effet de l'interférence, le « traitement » pertinent pour un nœud est sa configuration locale (son propre traitement plus les traitements de ses voisins). Si la distribution de cette configuration varie selon l'environnement des covariables locales (homophilie des covariables), certaines configurations deviennent rares pour certains types de nœuds, forçant les modèles à extrapoler et introduisant un biais.

Les méthodes existantes supposent soit une cartographie d'exposition connue et souvent homogène, soit tentent d'apprendre des cartographies via des mécanismes de concaténation ou d'attention, qui nécessitent néanmoins des spécifications candidates. Il existe un besoin pour une méthode capable d'apprendre la représentation de voisinage pertinente directement à partir des données, sans présupposer la manière dont les traitements des voisins se combinent.

Méthodologie : HINet

Les auteurs proposent HINet (Heterogeneous Interference Network), une méthode neuronale conçue pour estimer les effets de traitement sans une cartographie d'exposition présupposée. L'architecture se compose de deux composantes principales entraînées conjointement :

1. Modèle de résultat par GNN expressif

HINet emploie un réseau de neurones sur graphes (plus précisément un Graph Isomorphism Network, GIN) pour apprendre une représentation de voisinage pertinente pour l'exposition conjointement avec la prédiction du résultat.

Entrée : Pour chaque nœud $i$ , le modèle prend les covariables du nœud $X_i$ et son traitement $T_i$ , ainsi que les covariables et les traitements de ses voisins à un saut ( $N_i$ ).
Mécanisme : Au lieu d'agréger les traitements des voisins via une fonction fixe (comme une somme ou une moyenne), le GIN apprend une représentation $h^Y_i$ qui capture la manière dont la configuration spécifique des traitements et des covariables des voisins affecte le résultat.
Flexibilité : Le GIN est choisi pour sa capacité théorique à représenter des cartographies d'exposition basées sur le comptage et à conserver des informations sur la taille du voisinage, ce qui en fait une base robuste lorsque la forme fonctionnelle de l'interférence est inconnue.

2. Entraînement antagoniste conscient du réseau

Pour traiter le déséquilibre traitement-configuration, HINet incorpore un objectif antagoniste (adversarial).

Architecture : Une seconde branche (branche supérieure) utilise un GIN pour prédire l'assignation du traitement $T_i$ du nœud $i$ en se basant sur les représentations apprises du nœu et de ses voisins.
Inversion de gradient : Des couches d'inversion de gradient (GRLs) sont utilisées pour inverser le gradient de la branche de prédiction du traitement lors de la rétropropagation. Cela force l'encodeur partagé à apprendre des représentations qui sont invariantes à l'assignation du traitement.
Conscience du réseau : Contrairement à l'adaptation de domaine standard qui équilibre les représentations de nœuds individuels, la branche antagoniste de HINet utilise des informations de voisinage (représentations de $i$ et $N_i$ ) pour prédire $T_i$ . Cela vise l'invariance de la représentation locale $\Phi_i = (\phi_i, \phi_{N_i})$ par rapport au propre traitement du nœud, ce qui, sous les hypothèses causales du papier, implique une invariance marginale par rapport aux traitements des voisins également.

Fonction de perte

Le modèle est entraîné en minimisant une perte combinée :
$\mathcal{L}_{comb} = \mathcal{L}_y + \alpha \cdot \mathcal{L}_t$
Où $\mathcal{L}_y$ est la perte de prédiction du résultat (MSE), $\mathcal{L}_t$ est la perte de prédiction du traitement (entropie croisée binaire), et $\alpha$ contrôle la force de l'équilibrage antagoniste.

Contributions clés

Architecture HINet : Une méthode novatrice pour estimer les effets de traitement hétérogènes dans les réseaux qui ne nécessite pas de cartographie d'exposition présupposée, apprenant la représentation pertinente de l'exposition conjointement avec la prédiction du résultat.
Motivation théorique et bornes : Les auteurs dérivent une borne de généralisation au niveau de la population reliant l'erreur d'estimation contrefactuelle au risque de résultat factuel et à la divergence entre les distributions observées et cibles des représentations et des configurations de traitement locales. Cela motive l'objectif antagoniste conscient du réseau.
Métriques d'évaluation : Introduction de CNEE (Counterfactual Network Estimation Error) et PEHNE (Precision in Estimation of Heterogeneous Network Effects). Ces métriques évaluent la performance à travers une distribution de réseaux contrefactuels plutôt qu'un seul assignation contrefactuelle, traitant ainsi la variabilité de la performance à travers différents taux de traitement.
Robustesse empirique : Démonstration que HINet performe de manière constante sur divers jeux de données et cartographies d'exposition, là où les méthodes reposant sur des cartographies présupposées se dégradent significativement lorsque la cartographie est mal spécifiée.

Résultats expérimentaux

Les auteurs ont évalué HINet sur cinq jeux de données : deux entièrement synthétiques (Barabási–Albert et Homophily Sim) et trois semi-synthétiques (Flickr, BlogCatalog et Coauthor-CS).

Performance sous erreur de spécification : Lorsque le processus générateur de données (DGP) utilisait une cartographie d'exposition différente de celle supposée par les méthodes concurrentes (par exemple, utilisant une somme de traitements alors que les concurrents supposaient une proportion), des méthodes comme NetEst et TNet ont très mal performé. HINet a maintenu des taux d'erreur faibles à travers toutes les cartographies.
Comparaison aux bases de référence : HINet a obtenu les scores PEHNE et CNEE les plus bas sur les cinq jeux de données sous la cartographie d'exposition par défaut. Il s'est classé premier ou deuxième dans 40 des 50 comparaisons à travers différentes combinaisons de jeux de données et de cartographies.
Sensibilité au déséquilibre : Dans les expériences avec une augmentation de la force de l'assignation du traitement dépendante des covariables, HINet a surpassé les variantes sans équilibrage ( $\alpha=0$ ) et les variantes sans information de voisinage dans la branche antagoniste. Cela confirme que l'équilibrage conscient du réseau est crucial lorsque les configurations de traitement sont déséquilibrées en raison de l'homophilie.
Choix de l'architecture : Bien que HINet soit modulaire, l'architecture GIN s'est révélée être la plus constante en termes de performance à travers différentes cartographies d'exposition, soutenant ainsi son choix comme option par défaut.

Signification et affirmations

Le papier affirme que HINet offre une solution pratique pour l'inférence causale dans les réseaux où le mécanisme d'interférence est inconnu ou complexe. En évitant la nécessité de présupposer une cartographie d'exposition, HINet atténue le risque de biais introduit par une mauvaise spécification du modèle. Les auteurs soulignent que, bien que la méthode repose sur l'hypothèse d'une ignorabilité forte conditionnelle à l'environnement des covariables locales, sa capacité à apprendre la représentation d'exposition pertinente directement à partir des données la rend robuste à la nature « inconnue » des effets de débordement réels.

La borne de généralisation dérivée et les nouvelles métriques d'évaluation (CNEE/PEHNE) fournissent un cadre théorique et pratique pour évaluer les estimateurs d'effets de traitement dans les contextes de réseau de manière plus complète que les approches précédentes basées sur un seul contrefactuel. Les auteurs concluent que HINet est un choix solide car les véritables mécanismes d'interférence sont généralement difficiles à spécifier a priori.