Efficient Real-world Testing of Causal Decision Making via Bayesian Experimental Design for Contextual Optimisation
用贝叶斯实验设计高效检验情境化因果决策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：摘要围绕个性化处理分配的因果决策评估与实验设计展开，直接涉及因果推断。
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…
用贝叶斯实验设计高效检验情境化因果决策
- 研究问题
- 如何以较少的现实试验数据评估并改进个性化处理分配，在了解既有决策遗憾的同时避免频繁分配明显较差的处理？
- 方法与思路
- 作者提出模型无关的贝叶斯实验设计框架，通过端到端优化信息型设计目标，在探索与处理决策质量之间进行权衡。
- 材料陈述的贡献
- 摘要称该框架适用于离散和连续处理，可高效评估既往分配的遗憾，并在若干模拟研究中表现优于所选基准。
- 阅读关注点
- 应核对遗憾的定义、信息目标与评估精度的关系、探索机制和先验设定，以及模拟中的基准与数据生成过程。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要主要报告模拟比较，未说明现实试验效果及一般性能保证。
原文摘要
The real-world testing of decisions made using causal machine learning models is an essential prerequisite for their successful application. We focus on evaluating and improving contextual treatment assignment decisions: these are personalised treatments applied to e.g. customers, each with their own contextual information, with the aim of maximising a reward. In this paper we introduce a model-agnostic framework for gathering data to evaluate and improve contextual decision making through Bayesian Experimental Design. Specifically, our method is used for the data-efficient evaluation of the regret of past treatment assignments. Unlike approaches such as A/B testing, our method avoids assigning treatments that are known to be highly sub-optimal, whilst engaging in some exploration to gather pertinent information. We achieve this by introducing an information-based design objective, which we optimise end-to-end. Our method applies to discrete and continuous treatments. Comparing our information-theoretic approach to baselines in several simulation studies demonstrates the superior performance of our proposed approach.