Robust Offline Policy Learning with Observational Data from Multiple Sources
利用多来源观察数据开展鲁棒离线策略学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要利用观察性行动反馈和双重稳健策略评价学习干预决策，直接涉及因果策略学习。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用多来源观察数据开展鲁棒离线策略学习
- 研究问题
- 如何利用多个异质来源的观察性行动反馈数据，学习个性化决策策略，使其在来源分布的不同混合目标环境中保持低遗憾？
- 方法与思路
- 作者以极小极大遗憾为优化目标，结合双重稳健离线策略评价与无遗憾学习算法，求解面向多来源分布混合的策略问题。
- 材料陈述的贡献
- 摘要称，所提算法可在随总样本量消失的误差范围内达到最低最坏混合遗憾，并通过扩展分析与实验说明多来源鲁棒学习的益处。
- 阅读关注点
- 应核对来源混合集合、观察数据用于策略评价的识别条件，以及策略类和优化误差如何进入遗憾界，并检查实验中的异质性设置。
- 阅读边界
- 这是 arXiv 预印本，未核验同行评审或期刊接收；摘要未列出识别及覆盖条件或收敛率，鲁棒保证不能直接扩展至任意未知目标分布。
原文摘要
We consider the problem of using observational bandit feedback data from multiple heterogeneous data sources to learn a personalized decision policy that robustly generalizes across diverse target settings. To achieve this, we propose a minimax regret optimization objective to ensure uniformly low regret under general mixtures of the source distributions. We develop a policy learning algorithm tailored to this objective, combining doubly robust offline policy evaluation techniques and no-regret learning algorithms for minimax optimization. Our regret analysis shows that this approach achieves the minimal worst-case mixture regret up to a moderated vanishing rate of the total data across all sources. Our analysis, extensions, and experimental results demonstrate the benefits of this approach for learning robust decision policies from multiple data sources.