利用生成对抗网络估计连续值干预的效应
机器学习
2020-11-24 v2 机器学习
摘要
尽管从观测数据估计离散干预效应的问题已受到大量关注，但在连续值干预（例如与剂量参数相关的治疗）设定下的工作相对较少。在本文中，我们通过对生成对抗网络（GANs）框架的一种改进来应对此问题。我们的模型SCIGAN灵活且能够同时估计若干不同连续干预的反事实结果。其核心思想是使用显著改进的GAN模型来学习生成反事实结果，然后可利用标准监督方法学习一个推断模型，能够为新的样本估计这些反事实。为应对转向连续干预所带来的挑战，我们提出了一种新颖的判别器架构——我们构建了一个分层判别器，以利用连续干预设定的结构。此外，我们提供了理论结果以支持我们对GAN框架及分层判别器的使用。在实验部分，我们引入了一种用于连续干预设定的新型半合成数据模拟，并展示了相对于现有基准模型的改进。
引用
@article{arxiv.2002.12326,
title = {Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks},
author = {Ioana Bica and James Jordon and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2002.12326},
year = {2020}
}