学习最优干预

我们的目标是从观测数据中识别有益的干预。我们考虑那些聚焦范围较窄（影响少数协变量）的干预，这些干预可以针对每个个体定制，也可以在整个人群中全局实施。对于有害干预远比不提出任何改变更糟糕的应用场景，我们提出了最优干预的保守定义。假设在干预下潜在关系保持不变，我们开发了高效的算法以从有限数据中识别最优干预策略，并在高斯过程设置下为我们的方法提供了理论保证。尽管我们的方法假设协变量可以被精确调整，但在干预产生意外下游效应的误设场景中，它们仍然能够改善结果。在经验上，我们的方法在两个实际应用中识别出了良好的干预：基因扰动和写作改进。