[发明专利]基于深度表征学习的反事实推理设备

权利要求书

1.一种基于深度表征学习的反事实推理设备，其特征在于，包含：基于深度表征学习的反事实推理模型单元和数据输入单元；

所述反事实推理模型单元包括：

深度表征学习模块，用于从输入特征中提取仅与治疗策略相关的策略表征h_t和仅与治疗效果相关的效果表征h_y；

正交损失模块，用于对所述深度表征学习模块输出的所述策略表征h_t和所述效果表征h_y进行正交化处理，消除同时影响治疗策略和治疗结果的混淆性因素；

治疗策略预测模块，用于对所述深度表征学习模块输出的所述策略表征h_t进行拟合，确保所述策略表征h_t与治疗策略相关；

治疗策略预测对抗性模块，用于对所述深度表征学习模块输出的所述效果表征h_y进行拟合，确保效果表征h_y与治疗策略无关；

治疗效果预测模块，用于对所述深度表征学习模块输出的所述效果表征h_y进行处理得到不同治疗策略下个体的治疗效果；

所述数据输入单元用于向所述反事实推理模型单元输入训练数据集以对所述反事实推理模型单元进行训练，所述数据集包括：描述个体特征的数据的自然状态集Θ＝{θ₁，θ₂，…,θ_n}、对个体可能采取的不同治疗策略的治疗策略集D＝{d₁，d₂，…,d_m}和治疗效果集O＝{o_ij}，(i＝1,…,n；j＝1,…,m)，其中o_ij即个体在真实自然状态θ_i下采取策略d_j时的治疗效果；

所述数据输入单元还用于向训练好的所述反事实推理模型单元输入待预测的个体状态以得到预测结果。

2.根据权利要求1所述的基于深度表征学习的反事实推理设备，其特征在于，

所述深度表征学习模块包括两个独立且结构相同的第一多层感知机，其中一个用于提取所述策略表征h_t，另一个用于提取所述效果表征h_y；

所述第一多层感知机的结构设定为三层，以所述数据集中的数据作为所述第一多层感知机的输入层；

设定第一层输出n_i1个节点，第二层输出n_i2个节点，第三层输出n_i3个节点，所述第一多层感知机通过以下公式进行计算：

h₁＝σ(W₁x+b₁)，

h₂＝σ(W₂h₁+b₂)，

h₃＝σ(W₃h₂+b₃)，

其中，x表示输入层，x∈R^|n|×|x|，W₁表示第一层节点的权重矩阵，b₁表示第一层的偏置，W₂表示第二层节点的权重矩阵，b₂表示第二层的偏置，W₃表示第三层节点的权重矩阵，b₃表示第三层的偏置，h₁，h₂，h₃分别表示第一层、第二层和第三层输出的表征。

3.根据权利要求2所述的基于深度表征学习的反事实推理设备，其特征在于，

所述正交损失模块对所述策略表征h_t和所述效果表征h_y进行正交化的计算公式如下：

其中，Orthogonal表示正交损失，n_x表示输入样本的数目，n_i3代表表征层的节点数，h_ij表示第j个个体表征层第i个节点的值。