摘要

个体化治疗效应（Individualized Treatment Effect, ITE）的估计是一项具有挑战性的任务，其难点在于需从存在偏差的数据中学习个体的潜在结果，同时无法直接获取反事实结果。为此，我们提出一种基于生成对抗网络（Generative Adversarial Networks, GANs）框架的新型ITE推断方法。该方法称为生成对抗网络用于个体化治疗效应推断（GANITE），其核心思想是：通过尝试学习反事实分布，利用GAN框架捕捉其中的不确定性。具体而言，我们首先使用一个反事实生成器G生成反事实结果的代理变量，随后将这些代理变量输入到ITE生成器I中，以训练该生成器。通过将这两个生成器均置于GAN框架下建模，我们能够在仅依赖可观测事实数据的基础上进行推断，同时有效考虑未观测到的反事实情形。我们在三个真实世界数据集（涵盖二元及多类治疗情形）上对所提方法进行了测试，结果表明，GANITE在性能上优于当前最先进的方法。