bayesian experimental design (BED) provides a powerful and general framework
for optimizing the design of experiments. However, its deployment often poses
substantial computational challenges that can undermine i
本文提出了一种用于评估和改进因果机器学习模型下上下文治疗分配决策的数据采集框架,采用贝叶斯实验设计用于数据高效率评估和改进过去治疗分配的遗憾。与 A / B 测试等方法相比,我们的方法通过引入基于信息的设计目标来避免分配已知高度次优的治疗方法,同时进行探索以收集相关信息。我们的方法适用于离散和连续治疗,与其他基线相比,模拟研究表明了我们提出的信息理论方法具有更好的性能。