具有因果关系图约束的神经网络：一种新的治疗效应估计方法

使用图神经网络结合节点回归和消息传递机制，在大规模电子商务数据中实现因果效应估计。

提出名为 NNCI 的新方法，引入最近邻信息以改善治疗效果估计，实验结果验证了其有效性。

提出 Robust Causal Graph Representation Learning（RCGRL）模型，通过生成工具变量消除干扰因素，实验表明其预测性能优于现有方法。

结合图神经网络和双机器学习的方法，有效推断社交网络中的因果效应，证明了其良好的性能。

综合分析各种图神经网络模型，提出轻量且高度适应性的模块以增强因果学习能力。

全面综述图神经网络在因果学习中的应用，探讨其在不同领域的应用及未来研究方向。

研究个体治疗效果估计问题，利用网络信息增强强可忽略性假设的适用性，实验结果显示模型性能优越。

提出结合传输学习算法和因果推断理论的方法，模拟研究表明其性能超越现有基准算法。

建立结构性因果模型与图神经网络模型，提出新的因果推断方法用于因果效果辨识。

评估不同数据环境中图神经网络模型的效率和灵活性，突显其预测能力及提升需求。