技术摘要：存在干扰时的最优治疗分配优化 (OTAPI)

1. 问题定义

本文探讨了在存在干扰（interference）或溢出效应（spillover effects）的联网环境中，如何进行最优治疗分配（Optimal Treatment Allocation）的挑战。这一问题处于两个既有领域的交汇点：

• 影响力最大化 (Influence Maximization, IM)： 传统上侧重于选择 $k$ 个种子节点以最大化影响力传播（例如，病毒式营销、疫苗接种）。标准的 IM 方法通常依赖于假设的扩散过程（如独立级联模型、线性阈值模型）和网络结构（如度中心性），但往往忽略了节点特定的特征和异质性的治疗效果。
• 增益建模 (Uplift Modeling, UM)： 侧重于估计个体治疗效应 (ITE) 以对实体进行排序并选择前 $k$ 个。然而，标准的 UM 假设实体之间是相互独立的。在网络设置中，这一假设被打破了；治疗一个实体会改变其邻居的潜在结果，使得简单的排序策略变得次优。

核心问题被形式化为寻找一个治疗分配向量 $t^*$（其中 $t_i \in \{0,1\}$），以在满足预算约束 $\sum t_i \leq k$ 的条件下，实现总治疗效应 (Total Treatment Effect, TTE) 最大化。TTE 是个体总治疗效应 (Individual Total Treatment Effect, ITTE) 的总和，该效应既考虑了治疗对实体自身的直接影响，也考虑了来自受治疗邻居的间接溢出效应。作者指出，寻找最优的 $t^*$ 是一个 NP-hard 问题。

2. 方法论：OTAPI

作者提出了 OTAPI（存在干扰时的治疗分配优化），这是一个两步走的框架，通过利用组合优化算法中的数据驱动因果估计，弥合了 UM 与 IM 之间的鸿沟。

第一步：关系因果估计

第一步涉及在观测数据上训练一个关系因果估计器，以预测在各种治疗和暴露场景下的潜在结果。

• 因果结构： 模型假设实体的结果 $Y_i$ 取决于其自身特征 $X_i$、自身治疗 $T_i$、邻居特征 $X_{N_i}$ 以及邻居治疗 $T_{N_i}$。
• 暴露映射： 为了总结邻居的治疗情况，作者使用了一个暴露映射 $Z_i = \frac{\sum_{j \in N_i} T_j}{|N_i|}$，代表受治疗邻居的比例。
• 估计器架构： 本文使用了 NetEst (Jiang and Sun, 2022)，一种基于图神经网络 (GNN) 的估计器。NetEst 采用对抗性表示平衡来减轻混杂偏差。它使用图卷积网络 (GCN) 来聚合邻居特征，并使用两个判别器来确保学习到的潜在表示 $\phi_i$ 对于治疗分配 $T_i$ 和暴露 $Z_i$ 具有不变性。
• 输出： 训练好的模型用于估计任何给定分配下的个体总治疗效应 (ITTE)，记作 $\hat{\omega}_i(t_i, z_i)$。

第二步：优化

第二步将第一步得到的 ITTE 估计值作为组合优化算法的目标函数，以找到最优的 $k$ 个节点集合。

• 算法选择： 由于该问题是 NP-hard，OTAPI 采用了来自 IM 文献中的启发式算法。作者实现了两个变体：
  • OTAPI-GR： 使用贪心算法，迭代地添加能带来最高估计 TTE 边际收益的节点。
  • OTAPI-GA： 使用遗传算法，通过交叉和变异演化治疗分配向量种群，并将估计的 TTE 作为适应度函数。
• 灵活性： 该框架与具体的因果估计器或优化算法无关，允许集成其他的关系估计器或启发式算法（例如模拟退火算法）。

3. 核心贡献

1. 问题形式化： 作者形式化了在存在干扰的情况下寻找最优治疗分配的问题，明确定义了网络背景下的 ITTE 和 TTE，其中传统的相容性假设被放宽。
2. OTAPI 框架： 他们引入了一种新颖的两步法，将关系因果推理与经典的 IM 优化算法相结合，超越了纯排序 (UM) 或纯结构启发式 (IM) 的局限性。
3. 实证验证： 在合成和半合成数据集（BlogCatalog, Flickr, Enron）上的广泛实验表明，OTAPI 优于传统的基准方法。

4. 实验结果

作者将 OTAPI 与以下基准方法进行了评估：

• 基准方法： 度数 (DEG)、单折扣 (Single Discount, SD)、CELF（带有扩散模拟的经典 IM）以及 TARNet（不含网络信息的标准 UM）。“Oracle Greedy” (OG) 使用真实的数据生成过程作为性能上限。
• 指标： 性能通过 Liftup（相对于随机分配的 TTE 相对增益）和 RISEO（预期结果总和的相对增益）进行衡量。

主要发现：

• 卓越的性能： 在各种预算规模 ($k$) 和溢出强度 ($\beta_{spillover}$) 下，OTAPI（包括 GR 和 GA 变体）始终优于所有基准方法。
• 对溢出的鲁棒性： 随着溢出效应强度的增加，TARNet (UM) 的性能显著下降，而 OTAPI 通过显式建模干扰，保持了高性能。
• 预算敏感性：
  • 对于较小的预算，基于网络结构的方法 (DEG, SD) 由于网络的幂律度分布表现得相当不错。
  • 随着预算增加，由于个体治疗效应 (MITE) 比溢出效应更占主导地位，TARNet 变得更具竞争力。
  • OTAPI 成功捕捉了溢出效应和 MITE，在整个预算范围内均表现出色。
• 泛化能力： OTAPI 在不同的网络拓扑（Barabási-Albert vs. Watts-Strogatz）、数据集大小和特征维度下都保持了优势。
• 运行时间： 虽然贪心变体 (OTAPI-GR) 由于需要重复计算 TTE，在网络规模增大时扩展性较差，但遗传算法变体 (OTAPI-GA) 随数据集大小增加的运行时间仅有轻微上升，为大型网络提供了更具扩展性的解决方案。

5. 重要性与局限性

重要性：
本文声称 OTAPI 填补了影响力最大化与增益建模之间的关键空白。通过将数据驱动的因果效应估计与组合优化相结合，它为存在干扰的网络中的治疗分配提供了一个更稳健的解决方案。作者认为，仅仅依赖节点排序 (UM) 或假设的扩散模型 (IM) 会导致次优决策，而 OTAPI 同时利用了个体异质性和网络动态特性。

局限性与未来工作：
作者承认存在若干局限性：

• 因果假设： 当前模型假设了一种特定的因果结构，排除了传染效应（即时间 $t$ 的结果如何影响时间 $t+1$ 的结果）。
• 暴露映射： 对简单暴露映射（邻居受治疗比例）的依赖在某些实际场景中可能并不成立。然而，他们指出 OTAPI 具有模块化特性，可以容纳更复杂的估计器来放宽这一假设。
• 估计误差： 因果估计器的误差可能会传播到优化步骤中。作者建议在未来研究中探索端到端的方法，即直接从输入数据中学习治疗分配。
• 成本效益分析： 当前框架并未显式地将治疗成本或结果的经济价值纳入其中，以确定最优预算 $k^*$，他们认为这是一个极具前景的研究方向。