Reinforcement Learning with Continuous Actions Under Unmeasured Confounding
未测混杂下连续动作空间的强化学习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：摘要核心是未测混杂下政策价值的识别和学习；面板数据仅为应用来源，未提出面板计量方法。
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…
未测混杂下连续动作空间的强化学习
- 研究问题
- 当离线强化学习同时具有连续动作和未测混杂时，如何识别无限时域的目标政策价值，并据此学习类内最优政策？
- 方法与思路
- 作者建立政策价值的非参数识别结果，构造极小极大估计量，并使用政策梯度算法最大化估计价值以选择政策。
- 材料陈述的贡献
- 摘要称提供所得政策的一致性、有限样本误差界及遗憾界，并通过模拟与德国家庭面板数据应用展示方法表现。
- 阅读关注点
- 应核对未测混杂下识别依赖哪些可观测信息、无限时域条件，以及价值估计误差如何传递至政策优化与遗憾。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明具体识别假设、误差收敛率及应用设计。
原文摘要
This paper addresses the challenge of offline policy learning in reinforcement learning with continuous action spaces when unmeasured confounders are present. While most existing research focuses on policy evaluation within partially observable Markov decision processes (POMDPs) and assumes discrete action spaces, we advance this field by establishing a novel identification result to enable the nonparametric estimation of policy value for a given target policy under an infinite-horizon framework. Leveraging this identification, we develop a minimax estimator and introduce a policy-gradient-based algorithm to identify the in-class optimal policy that maximizes the estimated policy value. Furthermore, we provide theoretical results regarding the consistency, finite-sample error bound, and regret bound of the resulting optimal policy. Extensive simulations and a real-world application using the German Family Panel data demonstrate the effectiveness of our proposed methodology.