Apr, 2024

决策策略在混淆下的预测性能比较

PDF
TL;DR我们提出了一种方法来比较决策策略的预测性能，该方法结合了因果推断和离线评估文献中的现代识别方法，并使用我们的框架在真实世界的医疗保险注册政策的预部署评估中进行了应用。
predictive modelsdecision-makingpolicy comparisoncausal inferencehealthcare enrollment policy
发现论文，激发创造
  • 混淆鲁棒政策改进

    研究使用观察数据学习个性化决策策略时如何考虑可能的未观测混杂因素以及最小化候选策略的最坏估计后悔的方法和算法，以在保证安全和关注证据改进的前提下得到可靠的个性化治疗策略。

    May, 2018

  • 针对未观察到的混淆因素的时序决策离线策略评估

    研究探讨当评估策略的绩效受到未观察到的混淆因素的影响时，如何通过开发最坏情况下的绩效边界来保证 OPE 方法的健壮性，并提出了一种计算最坏情况下边界的高效损失最小化过程，在两个模拟的医疗保健示例中证明了该方法的有效性。

    Mar, 2020

  • 无限时间序列强化学习中具有混淆鲁棒性的策略评估

    通过数据策略辅助下的敏感性模型，我们开发了一种强健的方法，针对诸如教育和医疗等批量强化学习的应用中未被观察到的变量，估计了一个无限时间阶段内给定策略值的尖锐边界。我们证明，随着我们收集更多混淆数据，我们能够收敛于尖锐的边界。虽然检查集合成员身份是一个线性规划，但支持功能是由一个困难的非凸优化问题给出的。我们基于非凸投影梯度下降方法开发了一些近似，并在实证中演示了所得到的边界。

    Feb, 2020

  • 抵消干扰稳健推理的凸框架

    我们研究了关于未观测到的混淆因素的离线情境赌博的政策评估。我们提出了一个通用的估计器，使用凸规划方法提供政策价值的一个锐利下界，具有各种扩展应用和强有力的理论保证。

    Sep, 2023

  • 离线推荐系统在未观察到的混杂下的评估

    此研究聚焦在推荐系统中存在未观察到的混淆因素时进行离线政策估计，强调了由于混淆因素导致的统计偏差问题，并探讨了可能的研究方向以减轻其影响。

    Sep, 2023

  • 基于反事实模型的可靠决策支持

    本研究提出一种新的监督学习目标，预测反事实情况而不是预测现有行动策略下的结果，以支持决策制定，使用我们提出的反事实高斯过程（CGP）来预测在未来行动序列下连续时间轨迹的反事实未来进展，并证明其在风险预测和个体化治疗规划等决策支持任务上的优势。

    Mar, 2017

  • 基于观测数据的预测优化方法的能力和局限性

    本文研究在观测数据驱动下的最优化问题，探讨了预测方法在定价等领域的限制，提出了一种新的因果效应目标优化的假设检验方法，并在利率设定数据中进行了实证研究。

    May, 2016

  • 高置信度离线（或反事实）方差估计

    本文研究了在先前政策数据的基础上提出新政策的高置信度保障及其在高风险应用中同样重要的回报方差的高置信度保障的离线估计和界定问题。

    Jan, 2021

  • 利用观测数据进行政策学习

    本文提出了一种新的方法来优化二分类或连续处理的细微变化，该方法可以利用观测数据，其中因果效应使用各种策略（包括可观察的选择和仪器变量）进行识别，并建立了一种针对选择谁进行治疗的算法，并确定了其产生的政策渐近效用后悔的强有力保证。

    Feb, 2017

  • 使用不变预测进行因果推断：识别和置信区间

    利用因果模型在干预下的预测不变性，我们提出一种方法来推断因果效应并构建高概率的因果模型集合。这个方法可以在各种不同实验设置下得出有效的置信区间，并研究了其鲁棒性和推广性。

    Jan, 2015