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。

Graph Disentangled Causal Model: Enhancing Causal Inference in Networked Observational Data
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证