静态特征设置下主动特征获取方法的评估

主动特征获取（AFA）智能体在医疗保健等领域至关重要，因为在这些领域获取特征通常成本高昂或具有危害性，其任务是为后续的分类任务确定最优的特征集合。由于部署 AFA 智能体会引入缺失分布的偏移，因此利用回顾性数据评估其在部署时的预期性能至关重要。在配套论文中，我们引入了一个用于主动特征获取性能评估（AFAPE）的半离线强化学习（RL）框架，其中假设特征是时间依赖的。在此，我们研究并将 AFAPE 问题扩展至静态特征设置，其中特征是时间不变的，从而为 AFA 智能体在决定获取顺序时提供更大的灵活性。在这种静态特征设置下，我们在半离线 RL 框架内推导并调整了新的逆概率加权（IPW）、直接方法（DM）和双重强化学习（DRL）估计量。当回顾性数据集中的缺失遵循随机缺失（MAR）模式时，可以应用这些估计量。结合适当的现有缺失数据处理技术，它们也可应用于非随机缺失（MNAR）模式。我们通过在合成 MAR 和 MNAR 缺失下的合成数据与真实世界数据实验，阐明了半离线 RL 估计量所提供的改进的数据效率。