回应：学习最优的分布鲁棒个体化治疗规则
机器学习
2021-10-19 v1 机器学习
摘要
我们感谢编辑提供的此次讨论机会，以及讨论者富有洞见的评论与深思熟虑的贡献。我们也祝贺 Kallus (2020) 在通过重定目标提升策略学习效率方面的启发性工作。受 Dukes 和 Vansteelandt (2020) 讨论的启发，我们在第 1 节中首先指出我们的工作与 Kallus (2020) 之间有趣的关联与区别。具体而言，这两篇论文所考虑的假设与变异来源导致了不同范围与关注点的不同研究问题。在第 2 节中，遵循 Li 等人 (2020)、Liang 和 Zhao (2020) 的讨论，我们也考虑了在训练阶段可获得来自测试分布的部分数据时的高效策略评估问题。我们表明，在训练与测试样本量同阶增长的假设下，高效价值函数估计可取得有竞争力的表现。我们进一步展示了这些估计与现有文献的一些关联。然而，当可用于训练的测试样本量以更慢的阶增长时，高效价值函数估计可能不再表现良好。相比之下，DRITR 对测试样本量的要求不如使用合并数据的高效策略评估那样强。最后，我们在第 3 节强调了 DRITR 的普遍适用性与有用性。
引用
@article{arxiv.2110.08936,
title = {Rejoinder: Learning Optimal Distributionally Robust Individualized Treatment Rules},
author = {Weibin Mo and Zhengling Qi and Yufeng Liu},
journal= {arXiv preprint arXiv:2110.08936},
year = {2021}
}