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}")