Bandit Algorithms for Policy Learning: Methods, Implementation, and Welfare-performance
政策学习中的多臂老虎机算法：方法、实现与福利表现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：摘要研究顺序试验中的个性化处理分配，并以因果效应异质性和福利遗憾评价政策学习，直接对应因果推断。
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
政策学习中的多臂老虎机算法：方法、实现与福利表现
- 研究问题
- 当个体依次到达，规划者需要同步开展试验并利用已有信息分配处理时，如何学习个性化政策并控制累计福利遗憾？
- 方法与思路
- 作者将 EXP4.P 用于政策学习，在政策类具有有限 VC 维且分配人数已知时分析遗憾，并采用超平面排列的增量枚举实现算法。
- 材料陈述的贡献
- 摘要称建立高概率福利遗憾界并考察调参及计算困难；基于 JTPA 样本校准的模拟显示福利增益有限，作者将其联系于效应异质性。
- 阅读关注点
- 应核对政策类和奖励过程的限制、已知人数条件、枚举算法的规模成本，以及 JTPA 校准模拟如何支持对有限福利增益的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未给遗憾界细节或增益数值，校准模拟不等同于实际部署中的政策效果。
原文摘要
Static supervised learning-in which experimental data serves as a training sample for the estimation of an optimal treatment assignment policy-is a commonly assumed framework of policy learning. An arguably more realistic but challenging scenario is a dynamic setting in which the planner performs experimentation and exploitation simultaneously with subjects that arrive sequentially. This paper studies bandit algorithms for learning an optimal individualised treatment assignment policy. Specifically, we study applicability of the EXP4.P (Exponential weighting for Exploration and Exploitation with Experts) algorithm developed by Beygelzimer et al. (2011) to policy learning. Assuming that the class of policies has a finite Vapnik-Chervonenkis dimension and that the number of subjects to be allocated is known, we present a high probability welfare-regret bound of the algorithm. To implement the algorithm, we use an incremental enumeration algorithm for hyperplane arrangements. We perform extensive numerical analysis to assess the algorithm's sensitivity to its tuning parameters and its welfare-regret performance. Further simulation exercises are calibrated to the National Job Training Partnership Act (JTPA) Study sample to determine how the algorithm performs when applied to economic data. Our findings highlight various computational challenges and suggest that the limited welfare gain from the algorithm is due to substantial heterogeneity in causal effects in the JTPA data.