あなたは、なぜ庭の植物の中で成長が早いものとそうでないものがあるのかを解明しようとしていると想像してください。単純な世界であれば、単にそれぞれの植物がどれくらいの水と日光を得ているかを見るだけで済むかもしれません。しかし、現実の庭では、植物たちは隣人同士です。ある植物に水をやると、それが隣の植物に影を落としたり、根が栄養を奪い合ったり、あるいは過剰な水が周囲の土壌をぬかるませたりすることもあります。これは「干渉（interference）」と呼ばれる複雑な世界です。つまり、あるものに起きたことが、その友人の結果を変えてしまう現象です。科学者たちはこれを「因果推論（causal inference）」と呼び、彼らは（新しい薬やマーケティングキャンペーンのような）処置の真の効果を、こうした隣人による副作用に惑わされることなく知りたいと考えています。通常、これを解決するためには、隣人がどのように影響し合うのかについて、大きな推測をしなければなりません。例えば、「隣人が処置を受けた数が多いほど、より強く影響を受ける」といった仮定を置くことがあります。しかし、もしその推測が間違っていたらどうでしょう？ もし影響が、どの特定の隣人が処置を受けたか、あるいはその隣人のユニークな個性によって決まるとしたら？ もし推測が間違っていれば、計算全体が崩壊してしまいます。

これは、Daan Caljon、Jente Van Belle、Wouter Verbekeの研究者らによって提案された、HINetと呼ばれる新しい手法が取り組んでいる問題です。あらかじめ用意された「隣人がどのように影響し合うか」という推測を強制する代わりに、HINetは、周囲のルールを自ら学習する非常に賢い探偵のようなものです。研究者たちは、ネットワーク全体のつながりを観察し、マニュアルなしで処置がグループ内にどのように波及していくかを解明するニューラルネットワーク（一種のコンピュータの脳）を構築しました。彼らはこれを合成データと実世界のソーシャルネットワークでテストし、周囲のルールが複雑で未知である場合でも、HINetが一貫して正解を導き出すことを発見しました。対照的に、ルールの推測に頼る古い手法は、その推測が少しでも外れると無残に失敗します。この論文は、コンピュータに直接ネットワークのダイナミクスを学習させることで、医学やビジネスにおいて、社会的な影響という複雑な現実に足元をすくわれることなく、より良い意思決定ができるようになることを示唆しています。

問題点：「隣人の推測ゲーム」

あなたが新しいワクチンの効果をテストしようとしている医師だと想像してください。あなたは一部の人にワクチンを投与し、他の人には投与しません。完璧に隔離された世界であれば、単に両方のグループの罹患率を比較するだけで済みます。しかし、人々は孤立しているわけではなく、ソーシャルネットワークの一部です。もしあなたのワクチンを接種した友人がいた場合、その友人は病気にならないかもしれませんが、同時にあなたにウイルスを感染させることもありません。あなたはワクチンを打っていなくても、守られることになります。これが**干渉（interference）**です。つまり、一人の人間への処置が、他の人の結果を変えてしまうのです。

これを測定するために、科学者は通常、**曝露マッピング（exposure mapping）と呼ばれるものを使用します。これは、「隣人の影響」をどのように混ぜ合わせるかというレシピのようなものです。一般的なレシピはシンプルです。「直近の隣人のうち、何人が処置を受けたかを数え、それを隣人の総数で割る」。もし友人の50%が接種を受けたなら、あなたの「曝しまわり（exposure）」は0.5となります。影響が本当に単純な平均である場合には、これはうまく機能します。しかし、現実の世界では、影響は複雑です。おそらく、あなたは「親友」が接種を受けたかどうかだけを気にしたり、あるいは「特定の3人」の隣人が接種を受けた場合にのみ影響を受けたりするかもしれません。もし科学者が、真のルールが「親友のみ」であるにもかかわらず、単純な「平均」のレシピを使用してしまったら、ワクチンの効果に関する計算は間違ったものになります。これは仕様誤設定（misspecification）**と呼ばれます。ほとんどの現実世界の状況において、真のレシピを知る術はないため、これは大きな頭痛の種となります。

解決策：HINet、隣人の探偵

著者らは、この問題を解決するためにHINet（Heterogeneous Interference Network）を提案しています。科学者にレシピを書かせる代わりに、HINetは**グラフニューラルネットワーク（GNN）**という強力なツールを持ち込みます。

GNNを、単に一人を見るだけでなく、パーティー全体を観察する探偵だと考えてください。HINetがその人に何が起こるかを予測しようとする際、単に「その人自身が処置を受けたか」だけを見るのではありません。その人の特性を見つつ、友人たちの輪全体をスキャンします。そしてこう問いかけます。「この輪の中の誰が処置を受けたのか？ 彼らの特性はどのようなものか？ その特定の組み合わせが、対象者にどのように影響するのか？」

極めて重要なのは、HINetがこれを**同時（jointly）**に行う点です。HINetは、「隣人の表現（誰が周りにいて、何をしているかの要約）」を、結果を予測することと全く同時に学習します。それは、ゲームのルールを理解しながら、同時に数学の問題を解く方法を学ぶ学生のようなものです。データから直接ルールを学習するため、事前に書かれた曝露マッピングを必要としません。特定の隣人や複雑な組み合わせに依存する影響であっても、指示されることなく、それを見つけ出すことができるのです。

バランス調整：「偽の友人」の罠を避ける

論文では、もう一つの問題にも言及しています。現実の世界では、人々はランダムに処置を受けるわけではありません。例えば、医師が健康な人にワクチンを与えたり、マーケティングキャンペーンが富裕層の地域をターゲットにしたりすることがあります。これは、**処置構成の不均衡（treatment-configuration imbalance）**と呼ばれるバイアスを生み出します。もし処置を受けたグループが処置を受けていないグループと大きく異なる場合、結果が処置によるものなのか、それとも単に彼らが元々異なっていたからなのかを判断するのが難しくなります。

ネットワークにおいては、これはさらに奇妙なことになります。もしあなたの友人があなたと似ている（ホモフィリー／同質性と呼ばれる概念）場合、そしてあなたたちが皆同じ処置を受ける可能性が高い場合、あなたの「局所的な処置構成（あなた＋あなたの友人たちの処置状況）」は、あなたの特性に基づいて予測可能になってしまいます。HINetは、これを修正するために**敵対的学習（adversarial training）**という巧妙なトリックを使用します。

「かくれんぼ」のゲームを想像してください。

1. **予測器（HINetのメインの脳）**は、結果（例：「この人は製品を購入するか？」）を予測しようとします。
2. **敵対者（「隠れている人を探す側」）**は、HINetが処理したデータだけを見て、誰が処置を受けたのかを当てようとします。

HINetは、予測器の精度を高めつつ、同時に敵対者を欺くように訓練されます。HINetは、敵対者が「誰が処置を受け、誰が受けなかったか」を判別できないほど、バランスの取れたデータを表現（representation）として作り出すことを目指します。これを行うことで、HINetは、結果の違いが、処置を受けたグループが単に異なるタイプの人々であったからではなく、実際に処置によるものであることを保証します。論文は、このネットワークを考慮したバランス調整が、特に処置の割り当てが局所的な環境に強く依存している場合に極めて重要であることを示しています。

分かったこと：「推測しない」手法の勝利

研究者たちは、さまざまな種類の干渉（「バラバシ・アルバート（Barabási–Albert）」モデルや「ホモフィリー」モデルなど）をシミュレートするために構築した合成ネットワークや、Flickrや共著関係グラフのような実世界のソーシャルネットワークのデータを用いて、HINetをテストしました。彼らは、曝露マッピングを推測する手法（NetEstやTNetなど）や、ネットワークを完全に無視する手法と比較しました。

結果は明白でした。

• 推測が正しかった場合： 曝露マッピングを正しく推測できた手法は良好なパフォーマンスを示しましたが、HINetも同様に優れた結果を出しました。
• 推測が間違っていた場合： ここに魔法が起きました。研究者がシミュレーションのルールを変更したとき（例：影響が平均ではなく、特定の隣人に依存するようにした場合）、推測に基づく手法は崩壊しました。彼らの事前設定されたレシピが現実と一致しなかったため、エラー率が急上昇したのです。
• HINetの一貫性： HINetは、あらゆるシナリオにおいて一貫して優れたパフォーマンスを発揮しました。干渉が単純なものであれ、複雑なものであれ、あるいは特定の隣人に基づいたものであれ、関係ありません。データからパターンを学習するため、間違った仮定に足元をすくわれることがなかったのです。

また、論文では、CNEE（Counterfactual Network Estimation Error：反事実的ネットワーク推定誤差）とPEHNE（Precision in Estimation of Heterogeneous Network Effects：不均一なネットワーク効果の推定における精度）という、成功を測定するための2つの新しい指標を導入しました。これらの指標は、実際に起こったことだけでなく、多くの異なる「もしも」のシナリオにおいて、モデルがどれだけうまく結果を予測できるかをチェックするものです。HINetはこれらの指標で最も低いエラーを記録し、その堅牢性を証明しました。

まとめ

主な知見は、干渉の影響を測定するために、干渉のルールを知る必要はないということです。動的に周囲のダイナミクスを学習し、バイアスを取り除くためにデータを調整する柔軟なニューラルネットワークを使用することで、HINetは、基礎となるメカニズムが謎に包まれていても、処置の効果を正確に推定できます。

著者らは、もし隣人がどのように影響し合うかについて絶対的な確信があるならば、従来の古い手法も有用であるが、ルールが未知である現実世界においてはリスクが高いと述べています。HINetは、より安全で一貫性のある代替案を提供します。それは、相互に接続された複雑なソーシャルネットワークの世界においては、自分たちの推測を押し付けるのではなく、データにルールを教えさせるアプローチこそが最善であることを示唆しています。この論文は、因果推論のあらゆる問題を解決したと主張しているのではなく、ネットワーク干渉の不確実性を乗り越えるための、強力でエビデンスに基づいたツールを提供しているのです。