[论文解读] 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 49

一句话总结

SCIGAN 引入一个基于 GAN 的框架，用于估计连续干预的剂量-反应曲线，利用分层判别器和多任务生成器学习反事实结果并推断个性化治疗效应。

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.

研究动机与目标

• 从观察数据中动机化估计连续（剂量）干预的个性化效果。
• 开发一个基于 GAN 的方法，在多种治疗和剂量中学习反事实结果分布。
• 提出分层判别器和多任务生成器以处理连续干预。
• 为 GAN 框架和分层判别器提供理论依据。
• 创建半合成数据仿真以基准连续干预方法。

提出的方法

• 定义一个反事实生成器 G，输出给定 x、观测到的事实治疗 t_f 和结果 y_f，以及随机噪声 z 的所有治疗-剂量对的剂量-反应曲线。
• 训练一个分层判别器 D_H，由治疗判别器 D_W 和剂量判别器 D_w 组成，以在有限的剂量点上从生成曲线识别事实治疗和剂量。
• 用一个有监督损失对生成器进行正则化，使其在观测事实剂量处的输出有锚定（L_S）。
• 使用一个具有每个治疗头的多任务生成器，以允许跨治疗的异质反应曲线。
• 提供理论依据（全局 GAN 最优意味着匹配反事实的边际分布），并在分层判别设置下证明结果。
• 推断：使用生成的反事实训练一个推断网络 I，以估计新样本在所有治疗和剂量下的结果。

实验结果

研究问题

• RQ1 一个基于 GAN 的框架能否学习连续治疗（剂量）的反事实结果分布？
• RQ2 分层判别器是否能提高在多治疗下学习剂量-反应曲线的稳定性和准确性？
• RQ3 学习到的反事实是否可用于构建对具有连续干预的新样本的准确推断模型？
• RQ4 在半合成设置中，SCIGAN 相对于现有方法（GPS、DRNets）在连续剂量方面的表现如何？

主要发现

• SCIGAN 在多个半合成数据集（TCGA、News、MIMIC）上在多项指标上优于 GPS 和 DRNets。
• 一个有监督损失、多任务生成器、分层判别器以及不变/等变判别器组件均对性能提升有贡献，完整模型取得最佳结果。
• SCIGAN 在增加离散剂量数量时保持性能，在离散设置上也优于 GANITE，说明可应用于离散和连续干预。
• SCIGAN 对治疗和剂量偏差具有鲁棒性，适用于不同偏差水平。
• 在所有测试数据集上，该方法对基准方法有统计显著改进。