评论：动态治疗方案的熵学习
机器学习
2020-04-07 v1 机器学习
摘要
我祝贺 Binyan Jiang、Rui Song、Jialiang Li 和 Donglin Zeng（JSLZ）教授在动态治疗方案（DTRs）的推断方面取得了令人振奋的进展，该方法通过以熵损失作为代理的经验风险最小化来学习最优 DTRs。JSLZ 的方法利用了基于逆概率加权（IPW）的给定决策规则值的拒绝-重要性采样估计，并将其解释为加权（或代价敏感）分类。他们对平滑分类代理的使用，使其能够谨慎地分析渐近分布。然而，即使仅出于评估目的，IPW 估计也存在问题，因为它导致的权重会丢弃大部分数据，并且在剩余数据上具有极高的变异性。在这篇评论中，我讨论了一种基于优化的 DTRs 评估替代方法，回顾了若干联系，并提出了未来的研究方向。这将 Kallus (2018a) 的平衡策略评估方法扩展到了纵向环境。
引用
@article{arxiv.2004.02778,
title = {Comment: Entropy Learning for Dynamic Treatment Regimes},
author = {Nathan Kallus},
journal= {arXiv preprint arXiv:2004.02778},
year = {2020}
}