跳转到主要内容

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

Tests Slack License

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-macosx_10_14_x86_64.whl (13.8 kB 查看哈希值)

上传时间 Python 3 macOS 10.14+ x86-64

ganite-0.1.2-py3-none-any.whl (13.8 kB 查看哈希值)

上传时间 Python 3

支持者

AWS AWS 云计算和安全赞助商 Datadog Datadog 监控 Fastly Fastly CDN Google Google 下载分析 Microsoft Microsoft PSF 赞助商 Pingdom Pingdom 监控 Sentry Sentry 错误日志 StatusPage StatusPage 状态页面