On the numerical approximation of minimax regret rules via fictitious play
通过虚拟博弈数值逼近极小极大遗憾规则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：摘要明确以潜在结果为基础研究治疗分配规则及其极小极大遗憾决策。
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
通过虚拟博弈数值逼近极小极大遗憾规则
- 研究问题
- 如何在治疗选择问题中有效计算极小极大遗憾规则，尤其是在两组样本量不等或需将多项创新与现状比较的情形下？
- 方法与思路
- 作者对二元潜在结果离散化自然方的行动空间，采用有限双人零和博弈的迭代算法变体；对区间有界结果使用粗化方法。
- 材料陈述的贡献
- 摘要称，该算法避免在每轮迭代中计算每条治疗规则的遗憾，并覆盖两种治疗间的选择及多项创新相对现状的决策问题。
- 阅读关注点
- 应核对遗憾的定义、自然方行动空间的构造、离散化和粗化误差，以及迭代收敛条件、停止准则与计算成本。
- 阅读边界
- 这是预印本，不能据此声称已同行评审或期刊接收。摘要未说明数值误差和收敛保证，也未提供运行时间或规则表现的比较数值。
原文摘要
Finding numerical approximations to minimax regret treatment rules is of key interest. To do so when potential outcomes are in {0,1} we discretize the action space of nature and apply a variant of Robinson's (1951) algorithm for iterative solutions for finite two-person zero sum games. Our approach avoids the need to evaluate regret of each treatment rule in each iteration. When potential outcomes are in [0,1] we apply the so-called coarsening approach. We consider a policymaker choosing between two treatments after observing data with unequal sample sizes per treatment and the case of testing several innovations against the status quo.