PAC-Bayesian Treatment Allocation Under Budget Constraints
预算约束下的 PAC-Bayes 处理分配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：摘要研究基于处理结果、成本与福利目标的处理分配政策学习。
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
预算约束下的 PAC-Bayes 处理分配
- 研究问题
- 当处理成本随个体特征变化、成本存在不确定性且预算无法覆盖所有受益者时，如何学习满足资源限制的处理分配规则？
- 方法与思路
- 作者采用 PAC-Bayes 框架构造随机处理规则，以频率学派标准分析成本泛化界和福利遗憾，并研究非随机模型聚合规则。
- 材料陈述的贡献
- 摘要称框架兼容成本节省、数量约束及不同计量单位，并给出非渐近成本界与尖锐的预言型福利遗憾不等式。
- 阅读关注点
- 应核对预算可行性的具体含义、成本不确定性的处理、福利遗憾的参照政策，以及非渐近界和聚合规则的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未说明因果识别条件、界的具体形式或预算保证的概率含义。
原文摘要
This paper considers the estimation of treatment assignment rules when the policy maker faces a general budget or resource constraint. Utilizing the PAC-Bayesian framework, we propose new treatment assignment rules that allow for flexible notions of treatment outcome, treatment cost, and a budget constraint. For example, the constraint setting allows for cost-savings, when the costs of non-treatment exceed those of treatment for a subpopulation, to be factored into the budget. It also accommodates simpler settings, such as quantity constraints, and doesn't require outcome responses and costs to have the same unit of measurement. Importantly, the approach accounts for settings where budget or resource limitations may preclude treating all that can benefit, where costs may vary with individual characteristics, and where there may be uncertainty regarding the cost of treatment rules of interest. Despite the nomenclature, our theoretical analysis examines frequentist properties of the proposed rules. For stochastic rules that typically approach budget-penalized empirical welfare maximizing policies in larger samples, we derive non-asymptotic generalization bounds for the target population costs and sharp oracle-type inequalities that compare the rules' welfare regret to that of optimal policies in relevant budget categories. A closely related, non-stochastic, model aggregation treatment assignment rule is shown to inherit desirable attributes.