Vector Search As Nearest Neighbor Matching: RAG-based Policy Learning in Causal Inference
向量检索作为最近邻匹配：因果推断中的 RAG 政策学习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：摘要明确采用潜在结果框架研究政策学习，并连接因果匹配与行动选择。
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…
关注这篇论文的作者
向量检索作为最近邻匹配：因果推断中的 RAG 政策学习
- 研究问题
- 如何在潜在结果框架下理解检索增强生成的行动选择，并将两步政策的遗憾区分为候选生成损失与候选内选择损失？
- 方法与思路
- 作者提出一步与两步政策学习方法；两步方法按行动检索嵌入空间邻近证据，生成器估计条件结果或对比，再用代入规则选择行动。
- 材料陈述的贡献
- 摘要称，行动特定向量检索可与最近邻匹配建立联系，并利用最近邻估计器和 Transformer 的预测误差保证约束候选内选择遗憾。
- 阅读关注点
- 应核对潜在结果如何由检索证据识别、嵌入邻近性是否满足误差保证，以及候选生成机制和一步政策的直接评价方法。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要未列出因果识别假设或实证结果，所述界主要针对候选内选择损失。
原文摘要
We propose one-step and two-step methods for policy learning with retrieval-augmented generation (RAG). We formulate RAG-based action selection under the potential outcome framework. In the two-step method, vector search retrieves action-specific neighboring evidence in an embedding space, the generator estimates conditional expected outcomes or their contrasts, and a plug-in rule selects an action. This formulation connects action-specific vector search with nearest-neighbor matching in causal inference. We decompose the regret of the two-step method into candidate-generation regret and within-candidate choice regret, and we bound the latter using prediction-error guarantees for nearest-neighbor estimators and transformers. We evaluate the one-step method directly as a policy because its intermediate computation is unobserved.