短期和长期治疗效果上的帕累托最优估计与策略学习
机器学习
2024-03-13 v2 人工智能
摘要
本文专注于开发帕累托最优估计和策略学习，以识别最有效的治疗，最大化来自短期和长期效应的总回报，这两者可能相互冲突。例如，更高剂量的药物可能加快患者康复速度（短期），但也可能导致严重的长期副作用。尽管最近的工作研究了关于短期或长期效应或两者兼有的问题，但如何在它们之间进行权衡以实现最优治疗仍然是一个开放的挑战。此外，当使用传统因果表示学习直接估计多个目标时，不同任务之间的优化方向也可能冲突。在本文中，我们系统地研究了这些问题，并引入了一种帕累托高效算法，包括帕累托最优估计（POE）和帕累托最优策略学习（POPL），以解决这些问题。POE将连续帕累托模块与表示平衡相结合，提高了跨多个任务的估计效率。至于POPL，它涉及推导与不同治疗水平相关的短期和长期结果，促进探索这些结果产生的帕累托前沿。在合成和真实数据集上的结果证明了我们方法的优越性。
引用
@article{arxiv.2403.02624,
title = {Pareto-Optimal Estimation and Policy Learning on Short-term and Long-term Treatment Effects},
author = {Yingrong Wang and Anpeng Wu and Haoxuan Li and Weiming Liu and Qiaowei Miao and Ruoxuan Xiong and Fei Wu and Kun Kuang},
journal= {arXiv preprint arXiv:2403.02624},
year = {2024}
}