MIRACLE (缺失数据插补细化与因果学习)

代码作者：Trent Kyono

此存储库包含用于“MIRACLE：通过学习缺失数据机制进行因果感知插补”论文（2021）的代码。

安装

pip install -r requirements.txt
pip install .

CUDA支持（可选）

为了支持CUDA，您应确保满足TensorFlow 2 CUDA要求。

按照上述方式安装库，然后根据官方说明安装启用CUDA的TensorFlow版本。

测试

您可以使用以下方式运行测试

pip install -r requirements_dev.txt
pip install .
pytest -vsx

内容

• miracle/MIRACLE.py - 插补器/细化类。此类接受基线插补并返回细化插补。此代码已从[2]中分叉。
• miracle/third_party - 参考插补器：均值、Missforest、MICE、GAIN、Sinkhorn、KNN。
• tests/run_example.py - 运行非线性玩具DAG示例。使用均值填充作为基线，并应用MIRACLE进行细化。

示例

基于玩具DAG的基线示例。

$ cd tests/
$ python run_example.py

这个特定的实例返回基线RMSE约为0.95，MIRACLE RMSE约为0.40。

示例：使用30%缺失值的2000个数据集大小运行玩具示例，最大步骤数为300。

$ python3 run_example.py --dataset_sz 2000 --max_steps 300 --missingness 0.3

引用

@inproceedings{kyono2021miracle,
	title        = {MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms},
	author       = {Kyono, Trent and Zhang, Yao and Bellot, Alexis and van der Schaar, Mihaela},
	year         = 2021,
	booktitle    = {Conference on Neural Information Processing Systems(NeurIPS) 2021}
}

参考文献

[1] Jinsung Yoon, James Jordon, 和 Mihaela van der Schaar. Gain: 使用生成对抗网络进行缺失数据填充。在ICML，2018。

[2] Trent Kyono, Yao Zhang, 和 Mihaela van der Schaar. CASTLE: 通过辅助因果图发现进行正则化。在NeurIPS，2020。

[3] Zheng, X., Aragam, B., Ravikumar, P., & Xing, E. P. (2018). DAGs with NO TEARS: 结构学习连续优化（NeurIPS 2018）。

[4] Zheng, X., Dan, C., Aragam, B., Ravikumar, P., & Xing, E. P. (2020). 学习稀疏非参数DAGs（AISTATS 2020）。