Prior construction

code를 진짜 하나하나 다 뜯어봤다.

 

결국 공수가 많이 들어가야 성능을 올릴 수 있나보다.

(이렇게라도 성능을 개선할 수 있다면야 얼마든지..ㅜㅠ)

 

g-comp는 Hess & Melnychuk님이 구현한 모델을 가져왔다. 

이번 주에 GPU 가능해지면 바로 실험해야지.

---

어떻게 하면 prior를 잘 만들 것인가를 고민 많이 했는데,

mimic은 더 복잡하니까, tumor 먼저 해결해보자면, 

 

1. treatment, covariate, outcome dimension extension:

- treatment network 를 추가했다.

(original dataset과 동일하게 radio & chemo therapy 모두 포함한다).

 

2. Non-Markovian case:

- 현재 가장 큰 문제이다.

나는 Markovian으로 construct 하고 있다.

하지만 tumor dataset은 treatment와 outcome 모두 non-markovian이다.

어떻게 다양한 effect window를 accomodate 할 것인가? 

 

3. Structural equations:

- 좀 더 다양한 nonlinearity가 필요하다. 

나의 코드는 CausalFM code를 기반으로 하고 있는데, 희한하게도 CausalFM은 nonlinearity를 tanh만 사용했다. 왜지?

직관적으로 생각해도, nonlinearity가 더 필요하다는 생각이 든다.

do-pfn git code를 뒤져봤다. 역시 다양한 nonlinearity가 나온다. 

do-pfn code도 차용해서, nonlinearity를 diversify해야겠다.

 

4. 이거는 앞선 1,2,3 적용해보고, 그래도 성능이 안나오면 고려해볼 것들:

- propensity score의 range가 좀 다르다.

나의 dataset은 sample을 찍어보면, treatment가 일어나는 빈도가 tumor growth dataset에 비해 훨씬 높다. 

이 비율을 좀 맞출 순 없나?

 

- 그리고, 이건 나중에라도 궁극적으로 해결해야 할 부분이긴 한데, death와 recovery가 없다.

이건 RMSE 측정 시, death 와 recovery를 제외하기 때문에, death와 recovery에 해당하는 유령에 대해 추론을 잘 했느냐는 성능에 포함되지 않기 때문에, 당장은 고려하지 않아도 되지만,

궁극적으로는 생각해봐야 할 부분이다. 

---

위의 1,2,3 구현해서, 이번 주에 GPU 가능해지면, 바로 실험해봐야지.