HyperSCI学习混杂物的表征，用超图神经网络模块对高阶干扰进行建模，然后用学到的表征预测每个实例的潜在结果
individual treatment effect (ITE)
对于超图H上的每个节点i，个体治疗效果（ITE）由对应于ti=1和ti=0的潜在结果之间的差定义。
ti表示节点i分配的治疗方案 (二元变量0或1,代表采不采用), 即用保持环境不变情况下 采取或不采取治疗方案的效果之差代表ITE
超图学习
通过多层感知器（MLP）模块将节点特征xi编码到一个潜在空间，即zi=MLP(xi)。这就产生了一组表征Z。
将混杂物表示（Z）、治疗分配（T）和超图（H）上的关系信息作为输入，以捕捉每个个体的高阶干扰。
更具体地说，我们通过超图模块学习一个转换函数Ψ，以生成每个节点 i 的干扰表示
这个模块由超图卷积网络和超图注意机制实现。卷积层可以通过超边界传递干扰，利用超图关注机制来学习每个节点和包含该节点的相应超边缘的关注权重
使用现实世界网络生成的半合成数据，仅保留不超过50个节点的超边，具有大尺寸节点的超边界通常意义不大（Austin R Benson, Rediet Abebe, Michael T Schaub, Ali Jadbabaie, and Jon Kleinberg. 2018. Simplicial closure and higher-order link prediction. Proceedings of the National Academy of Sciences 115, 48 (2018), E11221–E11230.）