文件名称:Time-Series-Deconfounder:ICML 2020 论文代码
文件大小:327KB
文件格式:ZIP
更新时间:2024-06-18 14:06:44
Python
作者:Ioana Bica、Ahmed M. Alaa、Mihaela van der Schaar 2020 年机器学习国际会议 (ICML) 代码作者:Ioana Bica ( ) 介绍 时间序列去混杂因素是一种因果推理方法,可以在存在隐藏混杂因素的情况下根据观察数据估计随时间推移的治疗效果。 时间序列Deconfounder包含两个步骤: 步骤 1:随着时间的推移拟合因子模型以推断隐藏混杂因素的替代品。 因子模型的建议架构:具有多任务输出和变分 dropout 的循环神经网络,如下图所示: 第 2 步:用推断的替代品来增加观察数据集以替代隐藏的混杂因素,然后拟合现有结果模型以估计随时间推移的个性化治疗效果。 此实现使用循环边际结构网络 (R-MSN) 作为结果模型。 R-MSN 的实现改编自这里: : 。 依赖关系 该模型是在 Python 3.6 中实现的。 运行模
【文件预览】:
Time-Series-Deconfounder-master
----figures()
--------tsd_rnn_factor_model.png(303KB)
----rmsn()
--------configs.py(2KB)
--------core_routines.py(20KB)
--------__init__.py(0B)
--------script_rnn_test.py(5KB)
--------script_propensity_generation.py(7KB)
--------script_rnn_fit.py(8KB)
--------libs()
----LICENSE(1KB)
----main_time_series_deconfounder.py(2KB)
----factor_model.py(14KB)
----time_series_deconfounder.py(8KB)
----simulated_autoregressive.py(12KB)
----README.md(5KB)
----utils()
--------predictive_checks_utils.py(2KB)
--------evaluation_utils.py(282B)
--------rnn_utils.py(2KB)
--------__init__.py(0B)