在因果推断中，干扰是指网络中同伴的行为影响个体结果的现象。同伴效应是指个体反事实结果的差异取决于同伴暴露水平——个体暴露于同伴的待遇、行为或行动的程度。估计同伴效应需要确定如何表示同伴暴露。研究人员通常会定义一个暴露映射函数，该函数汇总同伴待遇并输出同伴暴露。大多数现有方法假设同伴暴露基于接受处理的同伴的数量或比例。最近的研究调查了更复杂的同伴暴露函数，这些函数可以捕捉不同同伴的差异影响。然而，这些研究都没有明确解决自动学习暴露映射函数的问题。本研究侧重于学习同伴暴露函数来估计异质性同伴效应，即由于相同的同伴暴露但不同的个体环境而导致的反事实结果的变化。我们开发了一种基于图神经网络 (GNN) 的方法 EgoNetGNN，用于自动学习合适的曝光映射函数，该函数能够处理复杂的同伴影响机制，这些机制不仅可以融合同伴处理，还可以融合局部邻域结构和边缘属性。基于已处理同伴数量或比例使用同伴曝光的 GNN 模型，或者单纯学习同伴曝光的 GNN 模型，难以解释这些影响机制。通过对合成和半合成网络数据的全面评估，我们证明了与最先进的基线方法相比，所提出的方法在估计异构同伴效应时，对各种未知的潜在影响机制具有更强的鲁棒性。
