【异质网络、超图、因果学习】HyperSCI ——KDD 2022 Best Paper：Learning Causal Effects on Hypergraphs

#论文题目：HyperSCI：Learning Causal Effects on Hypergraphs（HyperSCI：基于超图的因果学习）
#论文地址：https://arxiv.org/abs/2207.04049
#论文源码开源地址：暂无
#论文所属会议：KDD 2022
#论文所属单位：弗吉尼亚大学夏洛茨维尔分校、微软

一、前序知识

1. 因果推断：在常用的机器学习算法中，关注的是特征之间的相关性，而无法去识别特征之间的因果性，但很多时候在做决策与判断的时候，我们需要的是因果性，只有这样，才能说明是否缺少A导致B的变化。具体解释详见《因果推断——简介》、《大白话谈因果系列文章》

2. 超图：是一种包含多种节点的集合，一个集合中的节点相互具有关系，同一个节点可以存在在多个集合中。（我本科毕业论文就是基于超图来研究的）
   关于超图的形象解释引用论文中的图示如下(a)：
   

3. 一阶干涉和高阶干涉：

   • 一阶干涉：如图所示，在$u$₁、$u$₂、$u$₃ 都参与的聚会（gathering event）中即它们在同一条超边（hyperedge）内，个体$u$₁的感染结果（outcome）会受到其一阶个体$u$₂、$u$₃的影响。我们将$u$₂—>$u$₁、$u$₃—> u u