学习最优的分布鲁棒个体化治疗规则
机器学习
2020-06-29 v1 机器学习
摘要
数据驱动决策科学的最近发展在个体化决策方面取得了巨大进展。给定带有个体协变量、治疗分配和结果的数据，决策者寻求最大化期望结果（即价值函数）的最优个体化治疗规则(ITR)。许多现有方法假设训练与测试分布相同。然而，当训练与测试分布不完全一致时，所估计的最优ITR可能泛化性差。本文中，我们考虑从受限ITR类中寻找最优ITR的问题，其中训练与测试分布之间存在未知的协变量偏移。我们提出一种新颖的分布鲁棒ITR(DR-ITR)框架，该框架最大化在一组与训练分布“接近”的潜在分布下价值函数的最坏情形值。所得DR-ITR能合理保证在所有此类分布上的表现。我们进一步提出一种校准过程，利用来自目标总体的少量校准数据自适应地调整DR-ITR。如此，基于我们的数值研究可证明校准后的DR-ITR比标准ITR具有更好的泛化性。
引用
@article{arxiv.2006.15121,
title = {Learning Optimal Distributionally Robust Individualized Treatment Rules},
author = {Weibin Mo and Zhengling Qi and Yufeng Liu},
journal= {arXiv preprint arXiv:2006.15121},
year = {2020}
}