[論文レビュー] Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks

Ioana Bica, James Jordon+1 more|arXiv (Cornell University)|Feb 27, 2020

Advanced Causal Inference Techniques参考文献 38被引用数 49

ひとこと要約

SCIGAN は連続介入の用量–反応曲線を推定する GAN ベースのフレームワークを導入し、階層的識別子と多タスク生成器を用いて反事実アウトカムを学習し、個別化された治療効果を推定します。

ABSTRACT

While much attention has been given to the problem of estimating the effect of discrete interventions from observational data, relatively little work has been done in the setting of continuous-valued interventions, such as treatments associated with a dosage parameter. In this paper, we tackle this problem by building on a modification of the generative adversarial networks (GANs) framework. Our model, SCIGAN, is flexible and capable of simultaneously estimating counterfactual outcomes for several different continuous interventions. The key idea is to use a significantly modified GAN model to learn to generate counterfactual outcomes, which can then be used to learn an inference model, using standard supervised methods, capable of estimating these counterfactuals for a new sample. To address the challenges presented by shifting to continuous interventions, we propose a novel architecture for our discriminator - we build a hierarchical discriminator that leverages the structure of the continuous intervention setting. Moreover, we provide theoretical results to support our use of the GAN framework and of the hierarchical discriminator. In the experiments section, we introduce a new semi-synthetic data simulation for use in the continuous intervention setting and demonstrate improvements over the existing benchmark models.

研究の動機と目的

• 観測データから連続（用量）介入に対する個別化効果の推定を動機づける。
• 複数の治療と用量に跨る反事実アウトカム分布を学習する GAN ベースのアプローチを開発する。
• 連続介入を扱うための階層的識別子と多タスク生成器を提案する。
• GAN フレームワークと階層的識別子の理論的正当性を提供する。
• 連続介入法をベンチマークするための半合成データシミュレーションを作成する。

提案手法

• x、観測された事実治療 t_f およびアウトカム y_f に加えランダムノイズ z を与えたとき、すべての治療-用量ペアに対する用量–反応曲線を出力する反事実生成器 G を定義する。
• 生成曲線から事実の治療と用量を識別する、治療識別子 D_W と用量識別子 D_w からなる階層的識別子 D_H を訓練して、有限の用量点集合上で機能させる。
• 観測された事実の用量で出力を固定する監視付き損失 L_S で生成器を正則化する。
• 治療ごとにヘッドを持つマルチタスク生成器を用いて、治療間で異質な反応曲線を許容する。
• 理論的正当性を提供する（グローバル GAN 最適解は反事実の周辺分布の一致を意味する）と、階層的識別子設定の下で結果を証明する。
• 推論: 生成された反事実を用いて新しいサンプルに対してすべての治療と用量に対するアウトカムを推定する推論ネットワーク I を訓練する。

実験結果

リサーチクエスチョン

• RQ1 連続治療（用量）に対する反事実アウトカムの分布を GAN ベースのフレームワークで学習できるか？
• RQ2 階層的識別子は複数の治療にまたがる用量–反応曲線の学習の安定性と精度を向上させるか？
• RQ3 学習された反事実を用いて、連続介入を受ける新しいサンプルに対する正確な推論モデルを構築できるか？
• RQ4 連続用量の半合成設定における SCIGAN の既存手法（GPS、DRNets）との比較はどうなるか？

主な発見

• SCIGAN は複数の指標で半合成データセット（TCGA、News、MIMIC）全般において GPS および DRNets を上回った。
• 監視付き損失、マルチタスク生成器、階層的識別子、および不変/等変識別子の構成要素がそれぞれ性能向上に寄与し、全体モデルが最高の結果を達成した。
• 離散用量の数を増やしても性能を維持し、離散設定では GANITE を上回り、離散と連続の介入の双方に適用可能であることを示している。
• SCIGAN はさまざまなバイアスレベルで治療と用量のバイアスに対して頑健である。
• 本手法はテストした全データセットにおいてベンチマークに対して統計的に有意な改善を達成した。