阈值政策设计中的后悔分析
机器学习
2024-04-30 v2 数值分析
数值分析
最优化与控制
摘要
阈值政策是一种基于可观察特征是否超过特定阈值来分配处理措施的决策规则，广泛应用于福利项目、税收和临床医学等多个领域。本文examines 使用实验数据设计阈值政策的问题，目标是最大化人口福利。首先，我对 Empirical Welfare Maximizer（EWM）政策的后悔 - 即政策最优性的度量 - 进行了特征化。接着，我引入 Smoothed Welfare Maximizer（SWM）政策，在附加的光滑条件下提高了 EWM 的后悔收敛速率。通过研究这两种政策的后悔如何不同地依赖于人口分布，并通过蒙特卡罗模拟探讨它们的有限样本性能来比较这两种政策。在许多情况下，SWM 政策保证的福利大于 EWM。一个经验性示例展示了这两种政策的治疗建议在实际中可能有何不同。
引用
@article{arxiv.2404.11766,
title = {End-to-End Mesh Optimization of a Hybrid Deep Learning Black-Box PDE Solver},
author = {Shaocong Ma and James Diffenderfer and Bhavya Kailkhura and Yi Zhou},
journal= {arXiv preprint arXiv:2404.11766},
year = {2024}
}