Inference on Optimal Dynamic Policies via Softmax Approximation
通过 Softmax 近似对最优动态政策进行推断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：摘要直接研究最优动态处理策略及其价值的因果推断，属于因果推断方向。
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…
通过 Softmax 近似对最优动态政策进行推断
- 研究问题
- 最优动态处理策略的价值及相关结构参数涉及非线性、不可微泛函时，如何从离线数据构造针对真正最优策略的有效推断？
- 方法与思路
- 作者以 Softmax 近似最优策略，令温度参数按适当速度增长，结合半参数推断、g-估计及三角阵列中心极限定理分析。
- 材料陈述的贡献
- 摘要称，该近似可实现对真正最优策略的有效推断，并分析其渐近影响与偏差；具体结果以两期动态策略为例展示。
- 阅读关注点
- 阅读时应核对温度参数增长条件、近似偏差与估计误差的平衡、动态处理识别要求，以及两期结论向有限期推广的依据。
- 阅读边界
- 本条依据 arXiv 预印本摘要，同行评审与接收未核实；摘要未列出有效推断的具体条件，对有限期扩展仅表达可直接推广的判断。
原文摘要
Estimating optimal dynamic policies from offline data is a fundamental problem in dynamic decision making. In the context of causal inference, the problem is known as estimating the optimal dynamic treatment regime. Even though there exists a plethora of methods for estimation, constructing confidence intervals for the value of the optimal regime and structural parameters associated with it is inherently harder, as it involves non-linear and non-differentiable functionals of unknown quantities that need to be estimated. Prior work resorted to sub-sample approaches that can deteriorate the quality of the estimate. We show that a simple soft-max approximation to the optimal treatment regime, for an appropriately fast growing temperature parameter, can achieve valid inference on the truly optimal regime. We illustrate our result for a two-period optimal dynamic regime, though our approach should directly extend to the finite horizon case. Our work combines techniques from semi-parametric inference and $g$-estimation, together with an appropriate triangular array central limit theorem, as well as a novel analysis of the asymptotic influence and asymptotic bias of softmax approximations.