(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111576827.3 (22)申请日 2021.12.21 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市新模范马路6 6 号 (72)发明人 鲍庆森　陈蕾　杨振宇　朱薇　 骆健　闵兆娥　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 代理人 张玉红 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于变分生成对抗网络的个体处理效 应评估方法 (57)摘要 本发明公开了一种基于变分生成对抗网络 的个体处理效应评估 方法， 采用变 分自编码器推 断观测特征的隐表示， 来获取完整的潜在因素， 设计生成对抗网络推断反事实结果并指导变分 自编码器更好地解耦潜在因素为工具因素， 混淆 因素以及调整因素， 同时引入了一种自适应加权 的方法基于解耦的混淆因素进一步控制数据偏 差。 本发明基于变 分自编码器与生成对抗网络设 计协同学习策略， 提出变分生 成对抗网络模型来 估计个体处理效应， 与现有方法相比， 提高了个 体处理效应评估的准确率。 权利要求书3页 说明书8页 附图2页 CN 114239744 A 2022.03.25 CN 114239744 A 1.一种基于变分生成对抗网络的个 体处理效应评估方法， 其特 征在于： 具体步骤如下： 步骤1， 获取带有标签信息的用于个体处理效应评估的数据集， 从该数据集中创建 作为训练数据， 其中， i表示个体， x表示观测特征， t表示处理变量(t∈ {0， 1})， yf表示观测到的事实结果； 步骤2， 创建变分生成对抗网络结构模型， 包括变分自编码器与生成对抗网络两个模 块， 基于观测特征x， 训练变分自编码器学习解耦的潜在因素， 分别为工具因素zt， 混淆因素 zc以及调整因素zy； 步骤3： 基于步骤2解耦的混淆因素zc、 调整因素zy和处理变量t训练生成对抗网络生成 事实结果 与反事实结果 并使用混淆因素zc学习样本权重， 与生成事实结果的监督损 失按位相乘， 得到最终的加权监 督损失， 以此来控制数据选择偏差； 步骤4： 基于步骤3生成的反事实结果， 创建具有事实以及反事实结果的完整数据集 步骤5： 创建个体处理效应估计的网络结构模型， 基于步骤4创建的完整数据集， 训练模 型输入观测特 征x， 输出潜在结果 步骤6： 使用步骤5训练的个体处理效应估计模型， 输入测试数据观测特征xi， 输出预测 的潜在结果 包含 进而得到 并给出估计的置信度估计。 2.根据权利要求1所述的一种基于变分生成对抗网络的个体处理效应评估方法， 其特 征在于： 在步骤2中， 使用三个独立的编码器 基于观测特征 x学习并解耦潜在因素为工具因素zt， 混淆因素zc以及调整因素zy， 并使用解码器pθ(x|zt， zc， zy)来重构特 征向量x； 其中， 三种潜在因素的先验分布p(zt)， p(zc)， p(zy)如下： 其中Dt， Dc， Dy分别定义 为工具因素， 混淆因素以及调整因素的维度； 在编码器中， 变分后验为： 其中， 和 分别定义为使用神经网络参数化高斯分布的均值以及 方差； 通过最大化证据下界获得：权　利　要　求　书 1/3 页 2 CN 114239744 A 2在编码器 学到潜在表示zt与zc后使用神经网络ft(zt， zc)基于zt与 zc推断处理变量的后验分布 来重构处理变量t， 从而指导编码 器 更好的学习解耦的工具与混淆因素为zt与zc， Bern(p)定义为标准的 参数为p的伯努利分布， ft的损失函数为： 当损失函数收敛后， 则学到的潜在表示zt与zc分别对应工具因素以及混淆因素； 在编码 器 学到潜在表示zc与zy之后， 使用生成对抗网络模型基于zc与zy预测 事实结果变量yf， 训练生成对抗 网络模型指导预测事实结果的损失收敛， 其中， 预测事实结 果的损失为： 从而指导编码器 学习解耦的混淆与调整因素为zc与zy。 3.根据权利要求2所述的一种基于变分生成对抗网络的个体处理效应评估方法， 其特 征在于， 步骤3中， 生成对抗网络模型生成反事实结果， 具体步骤如下： 步骤3.1， 将zc， zy以及t输入至生成对抗网络的生成器中来生成潜在结果向量 结果向 量 包含预测的事实结果 以及反事实结果 使用yf代替 将包含事实结果yf与预测 的反事实结果 的向量定义为 将 输入判别器， 判别器判断向量 中事实结果的部分与 反事实结果的部分， 若判别器无法判别， 则生成的反事实结果视为事实结果的分布， 其中， 定义生成对抗网络中的生成器G与判别器DG的优化函数为： 其中， 步骤3.2， 控制选择偏差； 基于分解的混淆因素 学习 π0网络， 其损失函数为： 使用学到的π0网络学习样本 权重： 其中P(ti)是数据集中ti＝1或者ti＝0的概率； 加权后的监 督损失为 最终， 解耦潜在因素与推断反事实结果的总损失为：权　利　要　求　书 2/3 页 3 CN 114239744 A 3