Flexible and Efficient Contextual Bandits with Heterogeneous Treatment Effect Oracles
借助异质性处理效应估计器构建灵活高效的情境老虎机算法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：摘要以异质性处理效应估计及动作间效果差异作为决策算法的核心。
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…
借助异质性处理效应估计器构建灵活高效的情境老虎机算法
- 研究问题
- 情境老虎机决策只需要动作间的奖励差异时，能否通过估计异质性处理效应减少无关奖励成分的学习，并提高数据使用效率？
- 方法与思路
- 作者将情境老虎机问题归约到通用异质性处理效应估计，以能够解释动作间奖励差异的函数为基础，构造简单的决策算法。
- 材料陈述的贡献
- 摘要称，研究首次给出这种通用归约，理论与实验表明，相较奖励模型估计，该框架在估计效率和应对模型误设方面具有优势。
- 阅读关注点
- 应核对处理效应估计器需要满足的误差保证、探索与动作分配机制，以及理论效率、模型误设容忍度和实验比较的具体范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出理论条件、性能界或实验数值，所述优势不能视为对所有场景成立。
原文摘要
Contextual bandit algorithms often estimate reward models to inform decision-making. However, true rewards can contain action-independent redundancies that are not relevant for decision-making. We show it is more data-efficient to estimate any function that explains the reward differences between actions, that is, the treatment effects. Motivated by this observation, building on recent work on oracle-based bandit algorithms, we provide the first reduction of contextual bandits to general-purpose heterogeneous treatment effect estimation, and we design a simple and computationally efficient algorithm based on this reduction. Our theoretical and experimental results demonstrate that heterogeneous treatment effect estimation in contextual bandits offers practical advantages over reward estimation, including more efficient model estimation and greater flexibility to model misspecification.