学习高效搜索因果近最优治疗
机器学习
2021-02-18 v2 机器学习
摘要
寻找有效的医疗治疗方法常需试错搜索。通过最小化不必要的试验次数使该搜索更高效，可降低费用与患者痛苦。我们将此问题形式化为：在因果推断框架下学习一种策略，以最少试验次数找到近最优治疗。我们给出一种基于模型的动态规划算法，该算法从观测数据学习并对未测量混杂具有鲁棒性。为降低时间复杂度，我们提出一种满足近最优性约束的贪婪算法。该方法在合成与真实医疗数据上评估，并与无模型强化学习比较。我们发现相较无模型基线，我们的方法表现更优，同时提供了搜索时间与治疗效果之间更透明的权衡。
引用
@article{arxiv.2007.00973,
title = {Learning to search efficiently for causally near-optimal treatments},
author = {Samuel Håkansson and Viktor Lindblom and Omer Gottesman and Fredrik D. Johansson},
journal= {arXiv preprint arXiv:2007.00973},
year = {2021}
}