간섭이 있는 인과 추론에서 적극적 학습 통합: 온라인 실험에서의 새로운 접근법

인과 추론 연구 분야에서 일반적인 잠재적 결과 프레임워크, 특히 루빈 인과 모델(RCM)은 개인 간섭을 간과하고 독립적인 치료 효과를 가정하는 경우가 많습니다. 그러나 이러한 가정은 간섭이 단순한 가능성에 그치지 않고 흔히 발생하는 복잡한 현실과 종종 불일치합니다. 우리의 연구는 두 가지 가정 하에 직접 및 spillover 치료 효과의 추정에 초점을 맞추어 이러한 불일치를 해결하고자 하였습니다: (1) 네트워크 기반 간섭, 즉 연결된 네트워크 내 이웃의 치료가 개인의 결과에 영향을 미치는 경우, (2) 혼란변수에 의해 영향을 받는 비무작위 치료 배정. 잠재적으로 복잡한 효과 함수 추정을 개선하기 위해, 우리는 새로운 적극적 학습 접근법인 '간섭이 있는 인과 추론에서의 적극적 학습(ACI)'을 도입합니다. 이 접근법은 이웃의 치료 배정의 연속 측정값의 함수로서 직접 및 spillover 치료 효과를 유연하게 모델링하기 위해 가우시안 프로세스를 사용합니다. ACI 프레임워크는 추가 데이터가 필요한 실험 설정을 순차적으로 식별합니다. 또한, 네트워크 간섭 구조에서 유전 알고리즘을 사용하여 치료 배정을 최적화하여 효율적인 학습 결과를 달성합니다. 우리 방법을 시뮬레이션 데이터와 텐센트 게임 데이터셋에 적용하여, 데이터 요구 사항을 줄이면서 정확한 효과 추정을 달성할 수 있는 가능성을 보여줍니다. 이 ACI 접근법은 인과 추론의 데이터 효율성 분야에서 상당한 발전을 이루며, 특히 복잡한 간섭 패턴이 특징인 시나리오에서 전통적인 방법론에 대한 강력하고 효율적인 대안을 제공합니다.