Off-policy evaluation in partially observed Markov decision processes under sequential ignorability
序贯可忽略性下部分可观测马尔可夫决策过程的离策略评估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：摘要以序贯可忽略性下动态处理规则的政策评估为研究对象，直接涉及动态因果推断。
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…
关注这篇论文的作者
序贯可忽略性下部分可观测马尔可夫决策过程的离策略评估
- 研究问题
- 在序贯可忽略性成立且系统部分可观测时，如何从行为策略生成的轨迹评估目标动态处理规则的长期平均收益？
- 方法与思路
- 作者提出部分历史重要性加权估计量，在部分可观测马尔可夫决策过程框架下，结合策略重叠与混合条件分析误差。
- 材料陈述的贡献
- 摘要称，估计量具有一致性，其多项式误差率达到给定条件下的极小极大界，并比较三类离策略评估问题的难度。
- 阅读关注点
- 应核对序贯可忽略性所条件化的信息、历史截断方式，以及重叠程度、混合时间如何决定误差率和下界。
- 阅读边界
- 仅据OpenAlex摘要，无法判断具体可忽略性、平稳性和重叠条件；一致性依赖足够长轨迹，不宜推广至任意短轨迹数据。
原文摘要
We consider off-policy evaluation of dynamic treatment rules under sequential ignorability, given an assumption that the underlying system can be modeled as a partially observed Markov decision process (POMDP). We propose an estimator, partial history importance weighting, and show that it can consistently estimate the stationary mean rewards of a target policy, given long enough draws from the behavior policy. We provide an upper bound on its error that decays polynomially in the number of observations (i.e., the number of trajectories times their length) with an exponent that depends on the overlap of the target and behavior policies as well as the mixing time of the underlying system. Furthermore, we show that this rate of convergence is minimax, given only our assumptions on mixing and overlap. Our results establish that off-policy evaluation in POMDPs is strictly harder than off-policy evaluation in (fully observed) Markov decision processes but strictly easier than model-free off-policy evaluation.