想象一下，你正在试图弄清楚为什么花园里有些植物长得比其他植物更高。在一个简单的世界里，你可能只需要观察每株植物获得的阳光和水分。但在真实的园林中，植物是邻居。如果你浇灌一株植物，它可能会遮挡住它的邻居；或者它的根系可能会窃取养分；又或者多余的水分会让周围的土壤变得泥泞。这就是“干扰”（interference）这个棘手的世界：即一个事物发生的变化改变了其朋友的变化。科学家称之为“因果推断”（causal inference），他们希望在不被这些邻里副作用所迷惑的情况下，了解一种处理方法（比如一种新药或一场营销活动）的真实效果。通常，为了解决这个问题，研究人员必须对邻居如何相互影响做一个巨大的猜测。他们可能会假设，例如，“你的邻居中接受过处理的人越多，受到的影响就越大。”但如果这个猜测错了呢？如果影响取决于哪些特定的邻居，或者取决于他们独特的个性呢？如果猜测错误，整个计算就会崩溃。

这正是由 Daan Caljon、Jente Van Belle 和 Wouter Verbeke 等研究人员提出的名为 HINet 的新方法所解决的问题。HINet 并不强迫使用一个预设的关于邻居如何互动的猜测，它更像是一个超级聪明的侦探，能够自动学习社区的规则。研究人员构建了一个神经网络（一种类型的计算机大脑），它观察整个连接网络，并弄清楚处理是如何在群体中传播的，而无需人工干预。他们在模拟数据和真实的社交网络上进行了测试，发现即使在“社区规则”复杂且未知的情况下，HINet 也能始终得出正确答案。相比之下，依赖于猜测规则的旧方法在猜测稍有偏差时往往会表现得很糟糕。论文指出，通过让计算机直接学习社区动态，我们可以更好地决定谁应该接受处理，无论是在医学领域还是商业领域，而不会被复杂的社交影响所困扰。

问题所在：“猜谜游戏”式的邻里关系

想象一下，你是一名正在测试新疫苗的医生。你给一些人接种了疫苗，而没有给另一些人接种。在一个完美的、孤立的世界里，你只需比较两组人的患病率即可。但人并不是孤立的，他们处于社交网络之中。如果你的朋友接种了疫苗，他可能不会生病，但他也不会把病毒传染给你。尽管你没有接种，你也受到了保护。这就是干扰：一个人的处理情况改变了另一个人的结果。

为了衡量这一点，科学家通常使用一种叫做暴露映射（exposure mapping）的东西。可以把它看作是一个如何混合“邻里影响”的配方。一个常见的配方很简单：“统计你的直系邻居中有多少人接受了处理，然后除以邻居的总数。”如果 50% 的朋友接种了疫苗，那么你的“暴露度”就是 0.5。如果影响确实仅仅是一个简单的平均值，这套方法效果很好。但在现实世界中，影响是混乱的。也许你只在意你的“好朋友”是否接种了疫苗，或者也许只有当三个特定的邻居接种了疫苗时，你才会受到影响。如果科学家在真实的规则是“仅限好友”的情况下，却使用了简单的“平均值”配方，那么他们对疫苗效果的计算就会出错。这被称为设定错误（misspecification），这是一个巨大的难题，因为在大多数现实情况下，没有人真正知道真实的配方是什么。

解决方案：HINet，社区侦探

作者提出了 HINet（异质干扰网络）来解决这个问题。HINet 不再要求科学家写下配方，而是带来了一个强大的工具——图神经网络（GNN）。

把 GNN 想象成一个不仅仅只看一个人的侦探，他会观察整个派对。当 HINet 试图预测一个人会发生什么时，它不仅仅看那个人自己是否接受了处理。它还会观察这个人的自身特征，然后扫描他整个朋友圈。它会问：“这个圈子里谁接受了处理？他们的特征是什么？这种特定的组合如何影响目标对象？”

至关重要的是，HINet 是联合进行的。它在学习预测结果的同时，也在学习“社区表示”（即对周围是谁以及他们在做什么的总结）。这就像一个学生通过同时摸索游戏规则来学习解数学题。因为它直接从数据中学习规则，所以它不需要预先写好的暴露映射。它可以发现影响取决于特定的邻居或复杂的组合，而无需被告知去寻找它们。

平衡术：避免“假朋友”陷阱

论文还解决了第二个问题。在现实生活中，人们接受处理并不是随机的。也许医生把疫苗给了健康的人，或者营销活动针对的是富裕社区。这产生了一种被称为处理配置不平衡（treatment-configuration imbalance）的偏差。如果接受处理的群体与未接受处理的群体差异很大，那么很难判断结果是由处理引起的，还是仅仅因为他们本身就不同。

在网络中，情况变得更加诡异。如果你的朋友都和你很相似（一个被称为同质性的概念），并且你们很可能接受相同的处理，那么你的“局部处理配置”（你 + 你的朋友的处理情况）就可以根据你的特征来预测。HINet 使用了一种巧妙的技巧——对抗训练（adversarial training）来修复这一点。

想象一场“捉迷藏”游戏：

1. 预测器（HINet 的主脑） 试图预测结果（例如，“这个人会购买该产品吗？”）。
2. 对手（“寻找者”） 试图仅通过观察 HINet 处理过的数据来猜出谁接受了处理。

HINet 的训练目标是在保持预测器准确的同时，同时欺骗对手。它想要创造一种如此平衡的“表示”，使得对手无法分辨谁接受了处理，谁没有。通过这样做，HINet 确保了结果的差异确实是由处理引起的，而不是因为接受处理的群体原本就是另一类人。论文表明，这种具备网络意识的平衡对于处理那些高度依赖局部环境的处理分配情况至关重要。

研究发现：“无须猜测”的方法胜出

研究人员在多个数据集上测试了 HINet，包括用于模拟不同类型干扰（如“巴拉巴斯-阿尔伯特”模型和“同质性”模型）的合成网络，以及来自 Flickr 和共同作者图谱等真实社交网络的数据。他们将 HINet 与其他依赖于猜测暴露映射的方法（如 NetEst 和 TNet）以及完全忽略网络的模型进行了对比。

结果非常明确：

• 当猜测正确时： 正确猜测了暴露映射的方法表现良好，HINet 同样表现出色。
• 当猜测错误时： 奇迹发生了。当研究人员改变模拟规则（例如，让影响取决于特定邻居而非平均值）时，那些依赖猜测的方法崩溃了。由于它们的预设配方与现实不符，它们的误差率飙升。
• HINet 的一致性： HINet 在所有场景下都表现得非常稳定。无论干扰是简单的、复杂的，还是基于特定邻居的，都不影响它。因为它直接从数据中学习模式，所以不会被错误的假设所误导。

论文还引入了两种新的衡量成功的方法，分别是 CNEE（反事实网络估计误差）和 PEHNE（异质网络效应估计精度）。这些指标检查模型在许多不同的“如果……会怎样”的场景下（而不仅仅是实际发生的场景）预测结果的能力。HINet 在这些指标上的误差最低，证明了其鲁棒性。

总结

主要的发现是：你不需要知道干扰的具体规则，也能测量出它的影响。 通过使用一个能够实时学习社区动态并平衡数据以消除偏差的灵活神经网络，HINet 即使在底层机制不明的情况下，也能准确估计处理效果。

作者认为，虽然旧的方法在确定知道邻居如何相互影响时很有用，但在规则未知的现实世界中风险很高。HINet 提供了一个更安全、更一致的替代方案。它表明，在错综复杂的社交网络世界中，最好的方法是让数据教会我们规则，而不是将我们的猜测强加于它。论文并未声称已经解决了因果推断中的所有问题，但它提供了一个强大的、有证据支持的工具，用于应对网络干扰中的不确定性。