Orthogonal Policy Learning Under Ambiguity
模糊性下的正交政策学习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：摘要直接讨论部分识别的处理效应、个体化处理规则与因果政策学习。
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
模糊性下的正交政策学习
- 研究问题
- 当处理效应只能部分识别时，如何定义并学习个体化处理规则，同时纳入透明性、可解释性等政策约束？
- 方法与思路
- 作者以决策理论刻画不同最优政策，针对目标函数仅具方向可微性的情形，提出对第一阶段干扰参数正交的估计程序。
- 材料陈述的贡献
- 摘要称框架统一处理部分识别与政策约束，提供取决于非可微点附近数据集中程度的统计保证，并以培训项目数据展示。
- 阅读关注点
- 应核对各类最优政策的决策准则、部分识别集合来源、方向可微目标的正交化方式，以及统计保证所需的集中条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未给出具体识别假设、收敛界或应用中的政策收益数值。
原文摘要
This paper studies the problem of estimating individualized treatment rules when treatment effects are partially identified, as it is often the case with observational data. By drawing connections between the treatment assignment problem and classical decision theory, we characterize several notions of optimal treatment policies in the presence of partial identification. Our unified framework allows to incorporate user-defined constraints on the set of allowable policies, such as restrictions for transparency or interpretability, while also ensuring computational feasibility. We show how partial identification leads to a new policy learning problem where the objective function is directionally -- but not fully -- differentiable with respect to the nuisance first-stage. We then propose an estimation procedure that ensures Neyman-orthogonality with respect to the nuisance components and we provide statistical guarantees that depend on the amount of concentration around the points of non-differentiability in the data-generating-process. The proposed methods are illustrated using data from the Job Partnership Training Act study.