来源：专知
本文为资料，建议阅读5分钟本教程将介绍网络数据因果推理的最新研究成果，也称为干扰因果推理。

因果推理的任务——从数据中推断干预措施和反事实的效果——是大量科学和工业应用的核心。为了捕获真实世界数据中的噪声、异构性和复杂关系，习惯上将数据源建模为关系系统，并对它们进行概率推理。数据关系可以通过异构网络表示，其中节点表示相互依赖的实体，如人、公司、网站和疾病，而边缘表示这些实体之间的不同关系，如友谊、超链接、贡献和疾病传播。本教程将介绍网络数据因果推理的最新研究成果，也称为干扰因果推理。我们将以现实世界的应用来激发这一领域的研究，例如测量社交网络和市场实验的影响力。我们将讨论将为独立和同分布(IID)数据设计的现有因果推理技术应用到关系数据的挑战、当前存在的一些解决方案以及未来研究的差距和机遇。我们将介绍现有的网络实验设计，以测量兴趣的不同可能影响。然后，我们将集中于因果推断从观察数据，其表示，识别，和估计。我们将以网络中因果发现的研究作为总结。

目录内容：

地址：

https://netcause.github.io/

参考文献：

References

• Christakis & Fowler. The Spread of Obesity in a Large Social Network Over 32 Years. New England Journal of Medicine. 2007.

• Lee & Ogburn. Network Dependence Can Lead to Spurious Associations and Invalid Inference. Journal of American Statistical Association. 2020.

• Bail, Argyle, Brown, Bumpus, Chen, Hunzaker, Lee, Mann, Merhout, Volfovsky. Exposure to opposing views on social media can increase political polarization. PNAS 2018.

• Sun, Viswanathan, Zheleva. Creating Social Contagion through Firm-mediated Message Design: Evidence from A Randomized Field Experiment. Management Science 2021.

• Pearl. The seven tools of causal inference, with reflections on machine learning. Communications of the ACM 2019.

• Pearl. Causality: Models, Reasoning and Inference. 2009.

• Halloran, Struchiner. Causal inference in infectious diseases. Epidemiology 1995.

• Hudgens, Halloran. Toward causal inference with interference. JASA 2008.

• Ugander, Karrer, Backstrom, Kleinberg. Graph cluster randomization: Netw