面向决策的潜在结果边界估计
机器学习
2020-08-13 v4 机器学习
摘要
个体处理效应的估计常被用作医疗、教育和经济等领域中情境化决策的基础。然而，对决策者而言，通常只需获得各决策方案潜在结果的上界与下界估计，以评估风险与收益。我们表明，在此类情形下，通过估计约束这些结果的简单函数而非估计其条件期望（可能复杂且难以估计），可提高样本效率。我们的分析揭示了学习任务复杂度与所学边界成立置信度之间的权衡。受这些发现指导，我们开发了一种学习潜在结果上下界的算法，该算法在边界被违反的概率较小的前提下，优化由决策者定义的目标函数。利用临床数据集与著名的因果推断基准，我们证明了我们的算法优于基线方法，提供了更紧致、更可靠的边界。
引用
@article{arxiv.1910.04817,
title = {Estimation of Bounds on Potential Outcomes For Decision Making},
author = {Maggie Makar and Fredrik D. Johansson and John Guttag and David Sontag},
journal= {arXiv preprint arXiv:1910.04817},
year = {2020}
}