离屏策略评估中的自适应估计器选择

我们开发了一种通用的数据驱动方法，用于离屏策略评估环境中的估计器选择。我们为该方法建立了强有力的性能保证，表明其与预言估计器相比具有竞争力，仅相差一个常数因子。通过上下文_bandit和强化学习中的深入案例研究，我们展示了该方法的通用性与适用性。我们还进行了全面的实验，证明了我们方法的经验有效性并与相关方法进行了比较。在两个案例研究中，我们的方法均优于现有方法。