G-Net：一种用于动态治疗策略下反事实结果预测的G计算的深度学习方法
机器学习
2020-03-25 v1 机器学习
摘要
反事实预测是决策中的一项基本任务。G计算是一种用于在动态时变治疗策略下估计期望反事实结果的方法。现有的G计算实现大多采用经典回归模型，其捕捉复杂时间与非线性依赖结构的能力有限。本文提出G-Net，一种新颖的用于G计算的序列深度学习框架，能够处理复杂时间序列数据，同时施加最小的建模假设，并提供个体或群体水平时变治疗效应的估计。我们使用从CVSim（一个心血管系统的机制模型）获得的现实复杂时间模拟数据来评估替代的G-Net实现。
引用
@article{arxiv.2003.10551,
title = {G-Net: A Deep Learning Approach to G-computation for Counterfactual Outcome Prediction Under Dynamic Treatment Regimes},
author = {Rui Li and Zach Shahn and Jun Li and Mingyu Lu and Prithwish Chakraborty and Daby Sow and Mohamed Ghalwash and Li-wei H. Lehman},
journal= {arXiv preprint arXiv:2003.10551},
year = {2020}
}