预测引导的主动实验

在这项工作中，我们引入了一种新的主动实验框架，即预测引导的主动实验 (PGAE)，该框架利用现有机器学习模型的预测来指导采样和实验。具体而言，在每个时间步，根据指定的抽样分布抽取一个实验单元，并基于实验概率观测到实际结果。否则，仅有该结果的预测可用。我们首先分析非自适应情况，假设预测变量与实际结果的联合分布具有完全信息。对于这种情况，我们通过最小化正则估计量类的半参数效率界，推导出最优实验策略。然后，我们引入一个满足该效率界的估计量，实现了渐近最优性。接下来，我们转向自适应情况，其中预测变量随着新采样数据不断更新。我们证明，在某些正则性假设下，该估计量的自适应版本仍然有效，并且达到相同的半参数界。最后，我们通过模拟和使用美国人口普查局数据的半合成实验验证了 PGAE 的性能。结果突显了 PGAE 框架的有效性及其相较于其他现有方法的优越性。