Reinforcement Learning with Continuous Actions Under Unmeasured Confounding
未测量混杂下的连续行动强化学习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。
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：摘要明确以未测量混杂下的策略价值识别为基础开展政策学习，直接关联因果推断；使用面板数据不等于面板方法贡献。
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…
未测量混杂下的连续行动强化学习
- 研究问题
- 存在未测量混杂且行动空间连续时，如何从离线数据识别无限期目标策略的价值，并学习给定策略类中的最优策略？
- 方法与思路
- 作者先建立策略价值的非参数识别结果，再构造极小极大估计量，并通过策略梯度算法最大化估计价值以学习策略。
- 材料陈述的贡献
- 摘要称给出最优策略的一致性、有限样本误差界和遗憾界，并用模拟及德国家庭面板数据展示所提方法的表现。
- 阅读关注点
- 应核对混杂下识别所需的观测信息与假设、无限期价值定义，以及估计误差如何传递至策略优化和遗憾界。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；识别所需条件未说明，不能理解为任意未测量混杂都可由离线数据自动解决。
原文摘要
This article addresses the challenge of offline policy learning in continuous action spaces when unmeasured confounders are present. While most existing research focuses on policy evaluation within partially observable Markov decision processes (POMDPs) and assumes discrete action spaces, we advance this field by establishing a novel identification result to enable the nonparametric estimation of policy value for a given target policy under an infinite-horizon framework. Leveraging this identification, we develop a minimax estimator and introduce a policy-gradient-based algorithm to identify the in-class optimal policy that maximizes the estimated policy value. Furthermore, we provide theoretical results regarding the consistency, finite-sample error bound, and regret bound of the resulting optimal policy. Extensive simulations and a real-world application using the German Family Panel data demonstrate the effectiveness of our proposed methodology. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.