基于不平衡观测数据的决策主动学习

机器学习可通过学习预测个体处理效应（ITE）的模型来辅助个性化决策支持。本研究考察在观察到目标单元的协变量$\tilde{x}$与预测结果$\hat{p}(\tilde{y} \mid \tilde{x}, a)$后，为其选择动作$a$的任务中，基于预测的决策的可靠性。一个示例案例是个性化医疗及为患者选择何种治疗的决策。从观测数据学习这些模型时的一个常见问题是失衡，即处理组/对照组协变量分布存在差异，已知这会提高ITE估计误差期望的上界。我们提出通过估计ITE模型的S型错误率来评估决策可靠性，即模型推断处理效应符号错误的概率。此外，我们将估计的可靠性作为主动学习的准则，以收集新的（可能昂贵的）观测，而非基于不可靠的预测被迫做出选择。我们在两个决策任务中展示了这种决策感知主动学习的有效性：具有二元结果的模拟数据，以及一个具有合成连续处理结果的医疗数据集。