使用Bandit算法优化个体处理效应
机器学习
2019-10-17 v1 人工智能
机器学习
摘要
在经济学、医疗保健和营销等领域应用因果推断模型引起了机器学习界的极大兴趣。特别是，在精准医疗和定向广告等场景中估计个体处理效应（ITE）的应用已达到顶峰。在强可忽略性假设下——意味着所有对处理结果产生影响的混杂因素都已记录在数据中——优化此ITE通常被称为提升建模（UM）。虽然这些技术在许多场景中已被证明有用，但由于概念漂移，它们在动态环境中表现不佳。例如，当竞争对手产品发布时，对营销活动产生的负面影响。为了解决这个问题，我们提出了uplifted contextual multi-armed bandit (U-CMAB)，这是一种借鉴bandit文献来优化ITE的新方法。在真实和模拟数据上的实验表明，我们提出的方法与当前最优方法相比具有优势。我们所有的代码都可以在https://github.com/vub-dl/u-cmab在线找到。
引用
@article{arxiv.1910.07265,
title = {Optimising Individual-Treatment-Effect Using Bandits},
author = {Jeroen Berrevoets and Sam Verboven and Wouter Verbeke},
journal= {arXiv preprint arXiv:1910.07265},
year = {2019}
}