GANITE: 생성적 적대 신경망을 이용한 개별 치료 효과 추정

개별 치료 효과(Individualized Treatment Effects, ITE)를 추정하는 것은 왜곡된 데이터로부터 개인의 잠재적 결과를 학습해야 하며, 반사적 결과(counterfactuals)에 접근할 수 없기 때문에 어려운 과제이다. 본 연구에서는 생성적 적대 네트워크(Generative Adversarial Nets, GANs) 프레임워크를 기반으로 한 새로운 ITE 추론 방법을 제안한다. 본 방법은 반사적 분포의 불확실성을 GAN을 이용해 이를 학습하려는 시도를 통해 포착할 수 있다는 가능성을 기반으로 한다. 우리는 반사적 생성기(counterfactual generator), G를 사용하여 반사적 결과의 대리 변수(proxies)를 생성하고, 이를 ITE 생성기(I)로 전달하여 학습시킨다. 이러한 두 모델을 모두 GAN 프레임워크로 모델링함으로써, 실제 관측 데이터를 기반으로 추론할 수 있으면서도, 관측되지 않은 반사적 결과를 여전히 고려할 수 있다. 제안한 방법인 GANITE는 이진 치료와 다중 치료를 모두 포함하는 세 가지 실세계 데이터셋에서 검증되었으며, 기존 최고 수준의 방법들을 초월함을 보였다.