基于最优平衡的潜隐混杂因素策略评估
机器学习
2019-08-07 v1 机器学习
摘要
在探索代价高昂的应用（如医学）中，利用日志数据评估新颖的情境_bandit策略至关重要。但这通常依赖于无未观测混杂因素的假设，而该假设在实践中必然失效。我们研究了在改以潜隐混杂因素的代理变量可用时的策略评估问题，并发展了一种避免拟合潜隐结果回归模型的重要性加权方法。我们表明，与无混杂情形不同，不存在单一权重集能对全部结果模型给出无偏评估，但我们提出了一种新算法，通过转而最小化对抗平衡目标，仍可证明地保证一致性。我们进一步开发了优化该目标的可处理算法，并在混杂因素为潜隐时通过实证展示了本方法的效力。
引用
@article{arxiv.1908.01920,
title = {Policy Evaluation with Latent Confounders via Optimal Balance},
author = {Andrew Bennett and Nathan Kallus},
journal= {arXiv preprint arXiv:1908.01920},
year = {2019}
}