RISE：考虑敏感变量的鲁棒个体化决策学习
机器学习
2022-11-15 v1 应用统计
统计方法学
机器学习
摘要
本文提出 RISE，一种考虑敏感变量的鲁棒个体化决策学习框架，其中敏感变量是可收集数据且对干预决策十分重要，但由于延迟可得性或公平性等原因，其纳入决策过程被禁止。一种朴素基线是在学习决策规则时忽略这些敏感变量，导致显著的不确定性与偏差。为此，我们提出一种决策学习框架，在离线训练期间纳入敏感变量，但在模型部署时所学决策规则的输入中不包含它们。具体地，从因果视角出发，该框架旨在改善由决策时不可得的敏感变量给个体带来最坏情况结果。与多数使用均值最优目标的相关文献不同，我们通过寻找新定义的分位数或下确界最优决策规则，提出一种鲁棒学习框架。所提方法的可靠性能通过合成实验和三个真实应用得到验证。
引用
@article{arxiv.2211.06569,
title = {RISE: Robust Individualized Decision Learning with Sensitive Variables},
author = {Xiaoqing Tan and Zhengling Qi and Christopher W. Seymour and Lu Tang},
journal= {arXiv preprint arXiv:2211.06569},
year = {2022}
}
备注
Accepted at NeurIPS 2022