使用生成对抗网络估计个性化治疗效果
项目描述
GANITE - 使用生成对抗网络估计个性化治疗效果
代码作者: Jinsung Yoon (jsyoon0823@g.ucla.edu)
论文: Jinsung Yoon, James Jordon, Mihaela van der Schaar, "GANITE: Estimation of Individualized Treatment Effects using Generative Adversarial Nets", 国际学习表示会议 (ICLR), 2018。
描述
由于需要从带有偏差的数据中学习个人的潜在结果,并且没有访问到反事实数据,因此估算个体化治疗效果(ITE)是一个具有挑战性的任务。我们提出了一种基于生成对抗网络(GANs)框架的新型方法来推断ITE。我们的方法称为用于推断个体化治疗效果的生成对抗网络(GANITE),其灵感来源于我们可以通过使用GAN尝试学习它们来捕捉反事实分布中的不确定性。我们使用反事实生成器G生成反事实结果的代理,然后将这些代理传递给ITE生成器I以对其进行训练。通过使用GAN框架来模拟这两者,我们能够在基于事实数据的同时,仍考虑到未看到的反事实。我们在三个真实世界数据集(既有二进制也有多种治疗)上测试了我们的方法,并表明GANITE优于最先进的方法。
安装
$ pip install ganite
示例用法
from ganite import Ganite
from ganite.datasets import load
from ganite.utils.metrics import sqrt_PEHE_with_diff
X_train, W_train, Y_train, Y_train_full, X_test, Y_test = load("twins")
model = Ganite(X_train, W_train, Y_train, num_iterations=500)
pred = model(X_test).numpy()
pehe = sqrt_PEHE_with_diff(Y_test, pred)
print(f"PEHE score for GANITE on {dataset} = {pehe}")
项目详情
下载文件
下载适合您平台的文件。如果您不确定选择哪个,请了解有关安装包的更多信息。
源代码分布
此版本没有可用的源代码分布文件。请参阅生成分发存档的教程。
构建的分布
ganite-0.1.2-py3-none-any.whl (13.8 kB 查看哈希值)
关闭
哈希值 for ganite-0.1.2-py3-none-macosx_10_14_x86_64.whl
算法 | 哈希摘要 | |
---|---|---|
SHA256 | cdcb5f548ace0bf8bd5bf5b0a7917d25daca328b0c5f63c1216c0a284aa7be58 |
|
MD5 | 90ef63e0c8f19ab4827ad80a3f8fdce9 |
|
BLAKE2b-256 | 1c9c23c483e38ad13b85c2dc7fea39980dbd4a75c3a4d229d50f31d7ef3cbbca |