Causal Influences over Social Learning Networks

Declaração do Problema
Identificar agentes influentes dentro de redes sociais é um desafio crítico com aplicações que vão desde a detecção de propaganda até a otimização de publicidade direcionada. No entanto, os métodos tradicionais de estimativa de influência frequentemente dependem de métricas de topologia de rede (por exemplo, centralidade de autovetor) ou fatores descritivos de importância, que falham em distinguir entre correlação e causalidade. Em redes sociais, a informação se espalha e se mistura ao longo do tempo, criando efeitos de ondulação e fatores de confusão (como homofilia ou fontes externas compartilhadas) que obscurecem relações causais verdadeiras. Além disso, abordagens causais existentes frequentemente dependem de experimentos randomizados, que são frequentemente inviáveis em contextos sociais do mundo real, ou utilizam ferramentas preditivas como causalidade de Granger que não são robustas contra confundidores latentes. Este artigo aborda a necessidade de um quadro rigoroso para quantificar influências causais entre agentes em redes dinâmicas de aprendizado social usando dados observacionais.

Metodologia
Os autores abordam o problema através da lente de Modelos Causais Estruturais (MCEs), definindo influência como a mudança no comportamento de um agente resultante de uma intervenção. O estudo utiliza dois modelos matemáticos estabelecidos para aprendizado social sobre grafos:

1. Aprendizado Social Não-Bayesiano (NBSL): Um quadro onde os agentes atualizam crenças por meio de uma etapa bayesiana local seguida por uma média geométrica das crenças dos vizinhos.
2. Aprendizado Social Adaptativo (ASA): Uma extensão que introduz parâmetros de ponderação temporal para priorizar observações recentes, permitindo adaptação em ambientes não estacionários.

A metodologia central envolve analisar a "intervenção atômica e persistente" em um agente específico $m$, onde a crença de $m$ é fixada em um valor constante ($do(\mu_m)$). Os autores derivam expressões de forma fechada para as razões de log-crença assintóticas resultantes de todos os outros agentes na rede. Essas expressões dependem da topologia da rede (representada pela matriz de combinação $A$) e da informatividade individual dos agentes (quantificada por divergências de Kullback-Leibler).

Para lidar com cenários do mundo real onde os parâmetros do modelo são desconhecidos, o artigo propõe um algoritmo de Aprendizado de Causalidade em Grafos (GCL). Este método estima os parâmetros necessários (pesos de combinação e informatividade dos agentes) diretamente de dados observacionais brutos, especificamente sequências de crenças intermediárias compartilhadas (ações) e a topologia do grafo conhecida (matriz de adjacência).

Principais Contribuições

• Critério de Impacto Causal: O artigo propõe um critério inovador para quantificar o impacto causal de um agente sobre outro para cada par $(m, k)$ em uma rede dinâmica. Isso é derivado para os quadros NBSL e ASA, fornecendo expressões de forma fechada que revelam como efeitos instantâneos se difundem ao longo do tempo e do espaço.
• Algoritmo CausalRank: Para classificar agentes por sua influência geral, os autores introduzem o CausalRank. Diferentemente de médias simples ou medidas de centralidade padrão, este algoritmo constrói uma matriz de influência causal bipartida e calcula seu autovetor principal. Esta abordagem pondera a influência de um agente com base na influência dos agentes que eles afetam, identificando efetivamente agentes que são influentes sobre outros agentes influentes.
• Aprendizado de Causalidade em Grafos (GCL): Um algoritmo é introduzido para estimar influências causais a partir de dados observacionais sem exigir verdade fundamental sobre os parâmetros do modelo. O artigo fornece um limite teórico mostrando que o erro de estimativa diminui como $O(1/\sqrt{M})$ com o número de amostras $M$.
• Análise de Casos Especiais: O estudo analisa explicitamente como os efeitos causais dependem dos parâmetros da rede em topologias específicas, como arquiteturas totalmente conectadas (federadas) e anéis unidirecionais, ilustrando os papéis da centralidade da rede, informatividade dos agentes e fatores de esquecimento.

Resultados

• Dados Sintéticos: Simulações em uma rede de 11 agentes demonstram que a matriz de influência causal difere significativamente da matriz de combinação bruta. Por exemplo, agentes com baixa informatividade mostram-se mais suscetíveis à influência, e caminhos de influência indireta podem ser mais fortes do que os diretos devido à mistura de informações.
• Robustez: O algoritmo CausalRank mostra-se robusto contra ataques de "inflação de seguidores" (onde contas de bots inflacionam artificialmente a contagem de seguidores de um usuário). Enquanto métricas tradicionais como contagem de seguidores e classificação média de influência (AIR) são sensíveis a tal manipulação, o CausalRank mantém uma classificação estável porque leva em conta o impacto causal real em vez de apenas o número de conexões.
• Aplicação no Mundo Real: O algoritmo GCL foi aplicado a uma sub-rede de 20 usuários do Twitter discutindo criptomoedas. Usando processamento de linguagem natural para extrair sentimentos de tweets como entradas de crença, o estudo identificou Elon Musk (Usuário 1) como o agente mais influente. Notavelmente, a classificação causal diferiu da centralidade de autovetor; por exemplo, o Usuário 2 tinha alta centralidade mas baixo impacto causal, provavelmente devido à baixa informatividade (por exemplo, retuitar sem adicionar novas informações).
• Correlação vs. Causalidade: Experimentos confirmaram que, embora o aumento da correlação de observações externas altere a correlação das crenças dos agentes, os efeitos causais estimados permanecem constantes, demonstrando a capacidade do método de filtrar fatores de confusão não causais.

Significância
O artigo afirma ser o primeiro estudo a examinar a difusão de influência ao longo do espaço e do tempo em redes de aprendizado social a partir de uma perspectiva de inferência causal. Ao tratar a influência como uma quantidade causal derivada de modelos causais estruturais, o trabalho fornece um método para descartar associações espúrias que afligem abordagens baseadas em correlação. O quadro proposto é significativo tanto para modelar a formação de opinião em redes sociais humanas quanto para projetar sistemas de tomada de decisão distribuída para sistemas multiagente (por exemplo, sensores, robôs). A capacidade de aprender estruturas causais a partir de dados observacionais torna a abordagem particularmente valiosa para análise de mídias sociais no mundo real, onde experimentos controlados são impraticáveis. Os autores observam modestamente que, embora seus resultados sejam robustos, a falta de verdade fundamental em redes sociais do mundo real permanece um desafio, e eles deixam a exploração de experimentos controlados baseados em Modelos de Linguagem de Grande Escala (LLM) para trabalhos futuros.