Treatment recommendation with distributional targets
以分布目标为导向的治疗推荐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。
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：摘要明确以实验支持治疗推荐，并将福利、不平等和贫困等结果分布特征作为优化目标。
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…
以分布目标为导向的治疗推荐
- 研究问题
- 当决策目标是结果分布的不平等、福利、贫困或与目标分布的距离时，如何依据实验推荐治疗，并处理混合治疗扩大决策空间的问题？
- 方法与思路
- 作者用分布泛函评价治疗政策，建立最大期望遗憾下界，并提出静态政策与适用于顺序实验、逐步淘汰劣势治疗的动态政策。
- 材料陈述的贡献
- 摘要称，目标泛函非拟凸或存在约束时，最优推荐可能混合多种治疗；两类政策达到或接近遗憾最优，顺序政策可调整抽样投入。
- 阅读关注点
- 应核对分布泛函与约束的具体条件、遗憾下界及近最优性的含义，以及顺序淘汰规则如何保证有效治疗不会被过早剔除。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要，不推断刊本变化；摘要未给出实验分配条件、遗憾收敛速度或常数，无法判断具体实施成本。
原文摘要
We study the problem of a decision maker who must provide the best possible treatment recommendation based on an experiment. The desirability of the outcome distribution resulting from the policy recommendation is measured through a functional capturing the distributional characteristic that the decision maker is interested in optimizing. This could be, e.g., its inherent inequality, welfare, level of poverty or its distance to a desired outcome distribution. If the functional of interest is not quasi-convex or if there are constraints, the optimal recommendation may be a mixture of treatments. This vastly expands the set of recommendations that must be considered. We characterize the difficulty of the problem by obtaining maximal expected regret lower bounds. Furthermore, we propose two (near) regret-optimal policies. The first policy is static and thus applicable irrespectively of the subjects arriving sequentially or not in the course of the experimentation phase. The second policy can utilize that subjects arrive sequentially by successively eliminating inferior treatments and thus spends the sampling effort where it is most needed.