L’estimation des effets de traitement individualisés (ITE) constitue une tâche difficile en raison du besoin d’apprendre les résultats potentiels d’un individu à partir de données biaisées, sans avoir accès aux contre-factuels. Nous proposons une nouvelle méthode d’inférence des ITE basée sur le cadre des réseaux adversariaux génératifs (GAN). Notre méthode, appelée GANITE (Generative Adversarial Nets for inference of Individualized Treatment Effects), s’inspire de la possibilité de capturer l’incertitude des distributions contre-factuelles en tentant de les apprendre à l’aide d’un GAN. Nous générons des proxies des résultats contre-factuels à l’aide d’un générateur contre-factuel, noté G, puis transmettons ces proxies à un générateur d’ITE, noté I, afin d’entraîner ce dernier. En modélisant ces deux composants dans le cadre des GAN, nous parvenons à inférer les effets de traitement individualisés à partir des données factuelles tout en tenant compte des contre-factuels inobservés. Nous évaluons notre méthode sur trois jeux de données réels (traitant à la fois des traitements binaires et multiples) et montrons que GANITE surpasse les méthodes de pointe actuelles.