BriefGPT - AI 论文速递 · 2024-12-05T00:00:00Z Graph Disentangled Causal Model: Enhancing Causal Inference in Networked Observational Data 💡 原文英文，约100词，阅读约需1分钟。 📝 内容提要 本研究提出了一种新颖的图解耦因果模型（GDC），旨在提高从观察数据中估计个体治疗效应（ITE）的准确性。该模型通过分离单元特征为调整和混杂因素，并利用图聚合模块获取不同因果因素的表示，从而显著改善ITE估计效果。 🏷️ 标签 ITE估计 graph model 个体治疗效应 因果因素 图解耦因果模型 观察数据 阅读原文 生成长图 分享链接 已复制链接
