Resumo Técnico: Otimização da Alocação de Tratamento na Presença de Interferência (OTAPI)

1. Definição do Problema

O artigo aborda o desafio da Alocação Ótima de Tratamento em ambientes de rede onde as entidades influenciam umas às outras, um fenômeno conhecido como interferência ou efeitos de transbordamento (spillover). Este problema situa-se na interseção de dois campos estabelecidos:

• Maximização de Influência (IM): Tradicionalmente foca na seleção de um conjunto de $k$ nós semente para maximizar a propagação da influência (ex: marketing viral, vacinação). As abordagens padrão de IM frequentemente dependem de processos de difusão assumidos (ex: Cascata Independente, Limiar Linear) e estrutura de rede (ex: centralidade de grau), mas frequentemente ignoram características específicas dos nós e efeitos de tratamento heterogêneos.
• Modelagem de Uplift (UM): Foca na estimativa de Efeitos de Tratamento Individual (ITE) para classificar entidades e selecionar as $k$ melhores. No entanto, a modelagem de UM padrão assume independência entre as entidades. Em configurações de rede, essa suposição é violada; tratar uma entidade altera os resultados potenciais de seus vizinhos, tornando estratégias simples de classificação subótimas.

O problema central é formalizado como a busca por um vetor de alocação de tratamento $t^*$ (onde $t_i \in \{0,1\}$) que maximize o Efeito Total do Tratamento (TTE) em toda a rede, sujeito a uma restrição de orçamento $\sum t_i \leq k$. O TTE é a soma dos Efeitos Totais de Tratamento Individual (ITTE), que contabilizam tanto o efeito direto do tratamento em uma entidade quanto os efeitos indiretos de transbordamento de seus vizinhos tratados. Os autores observam que encontrar o $t^*$ ótimo é NP-difícil.

2. Metodologia: OTAPI

Os autores propõem o OTAPI (Optimizing Treatment Allocation in the Presence of Interference), uma estrutura de dois passos que preenche a lacuna entre UM e IM, aproveitando estimativas causais baseadas em dados dentro de algoritmos de otimização combinatória.

Passo 1: Estimativa Causal Relacional

O primeiro passo envolve o treinamento de um estimador causal relacional em dados observacionais para prever resultados potenciais sob várias cenários de tratamento e exposição.

• Estrutura Causal: O modelo assume que o resultado de uma entidade $Y_i$ depende de suas próprias características $X_i$, seu próprio tratamento $T_i$, as características de seus vizinhos $X_{N_i}$ e os tratamentos de seus vizinhos $T_{N_i}$.
• Mapeamento de Exposição: Para resumir os tratamentos dos vizinhos, os autores utilizam um mapeamento de exposição $Z_i = \frac{\sum_{j \in N_i} T_j}{|N_i|}$, representando a proporção de vizinhos tratados.
• Arquitetura do Estimador: O artigo utiliza o NetEst (Jiang e Sun, 2022), um estimador baseado em Redes Neurais de Grafos (GNN). O NetEst emprega balanceamento de representação adversarial para mitigar o viés de confusão. Ele utiliza uma Rede Convolucional de Grafos (GCN) para agregar características de vizinhos e dois discriminadores para garantir que a representação latente aprendida $\phi_i$ seja invariante à atribuição de tratamento $T_i$ e à exposição $Z_i$.
• Saída: O modelo treinado estima o Efeito Total de Tratamento Individual (ITTE), denotado por $\hat{\omega}_i(t_i, z_i)$, para qualquer dada alocação.

Passo 2: Otimização

O segundo passo utiliza as estimativas de ITTE do Passo 1 como a função objetivo para um algoritmo de otimização combinatória para encontrar o conjunto ideal de $k$ nós.

• Seleção de Algoritmo: Como o problema é NP-difícil, o OTAPI emprega heurísticas da literatura de IM. Os autores implementam duas variantes:
  • OTAPI-GR: Utiliza um Algoritmo Ganancioso (Greedy) que adiciona iterativamente o nó que gera o maior ganho marginal no TTE estimado.
  • OTAPI-GA: Utiliza um Algoritmo Genético que evolui uma população de vetores de alocação de tratamento usando cruzamento e mutação, com o TTE estimado servindo como a função de aptidão (fitness).
• Flexibilidade: A estrutura é agnóstica ao estimador causal ou algoritmo de otimização específico utilizado, permitindo a integração de outros estimadores relacionais ou heurísticas (ex: Simulated Annealing).

3. Principais Contribuições

1. Formalização do Problema: Os autores formalizam o problema de encontrar alocações de tratamento ótimas na presença de interferência, definindo explicitamente o ITTE e o TTE em um contexto de rede onde as suposições tradicionais de consistência são relaxadas.
2. Estrutura OTAPI: Eles introduzem um novo método de dois passos que integra inferência causal relacional com algoritmos clássicos de otimização de IM, indo além das limitações de classificação pura (UM) ou heurísticas estruturais puras (IM).
3. Validação Empírica: Experimentos extensos em conjuntos de dados sintéticos e semi-sintéticos (BlogCatalog, Flickr, Enron) demonstram que o OTAPI supera os basais tradicionais.

4. Resultados Experimentais

Os autores avaliaram o OTAPI contra vários modelos de base (baselines):

• Basais: Grau (DEG), Desconto Único (SD), CELF (IM clássico com simulação de difusão) e TARNet (UM padrão sem informação de rede) e um "Oracle Greedy" (OG) usando o processo gerador de dados real como limite superior.
• Métricas: O desempenho foi medido usando Liftup (aumento relativo do TTE sobre a alocação aleatória) e RISEO (aumento relativo na soma dos resultados esperados).

Principais Descobertas:

• Desempenho Superior: O OTAPI (ambas as variantes GR e GA) superou consistentemente todos os modelos de base em vários tamanhos de orçamento ($k$) e magnitudes de transbordamento ($\beta_{spillover}$).
• Robustez ao Transbordamento: À medida que a magnitude dos efeitos de transbordamento aumentava, o desempenho do TARNet (UM) degradava significativamente, enquanto o OTAPI mantinha alto desempenho ao modelar explicitamente a interferência.
• Sensibilidade ao Orçamento:
  • Para orçamentos pequenos, métodos baseados em estrutura de rede (DEG, SD) tiveram um desempenho razoável devido à distribuição de grau de lei de potência das redes.
  • À medida que os orçamentos aumentavam, o TARNet tornava-se mais competitivo conforme os efeitos de tratamento individual (MITE) se tornavam mais dominantes que os efeitos de transbordamento.
  • O OTAPI capturou com sucesso tanto os efeitos de transbordamento quanto os MITEs, performando bem em todo o intervalo de orçamentos.
• Generalização: O OTAPI manteve sua vantagem em diferentes topologias de rede (Barabási-Albert vs. Watts-Strogatz), tamanhos de dataset e dimensionalidades de características.
• Tempo de Execução: Embora a variante Gananciosa (OTAPI-GR) escale mal com o tamanho da rede devido aos cálculos repetidos de TTE, a variante de Algoritmo Genético (OTAPI-GA) mostrou apenas um pequeno aumento no tempo de execução com o tamanho do dataset, oferecendo uma solução mais escalável para grandes redes.

5. Significância e Limitações

Significância:
O artigo afirma que o OTAPI preenche uma lacuna crítica entre Maximização de Influência e Modelagem de Uplift. Ao combinar a estimativa de efeito causal baseada em dados com a otimização combinatória, ele fornece uma solução mais robusta para a alocação de tratamento em redes onde a interferência está presente. Os autores argumentam que confiar apenas na classificação de nós (UM) ou em modelos de difusão assumidos (IM) leva a decisões subótimas, enquanto o OTAPI aproveita tanto a heterogeneidade individual quanto a dinâmica de rede.

Limitações e Trabalhos Futuros:
Os autores reconhecem diversas limitações:

• Suposições Causais: O modelo atual assume uma estrutura causal específica que exclui efeitos de contágio (onde um resultado no tempo $t$ influencia outro no tempo $t+1$).
• Mapeamento de Exposição: A dependência de um mapeamento de exposição simples (razão de vizinhos tratados) pode não se sustentar em todos os cenários práticos. No entanto, eles observam que o OTAPI é modular e pode acomodar estimadores mais complexos que relaxam essa suposição.
• Erro de Estimativa: Erros no estimador causal podem se propagar para a etapa de otimização. Os autores sugerem investigar abordagens end-to-end, onde a alocação de tratamento é aprendida diretamente dos dados de entrada, como uma direção futura.
• Análise de Custo-Benefício: A estrutura atual não incorpora explicitamente os custos do tratamento ou o valor econômico dos resultados para determinar o orçamento ideal $k^*$, o que identificam como uma área promissora para pesquisas futuras.