Offline Reinforcement Learning with Instrumental Variables in Confounded Markov Decision Processes
混杂马尔可夫决策过程中的工具变量离线强化学习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。
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：摘要明确针对未观测混杂，利用工具变量识别策略总回报并进行策略学习，因果推断是最直接相关的细分方向。
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…
混杂马尔可夫决策过程中的工具变量离线强化学习
- 研究问题
- 当离线强化学习数据受到未观测状态混杂且环境覆盖不足时，如何借助工具变量识别策略回报，并学习具有有限样本保证的策略？
- 方法与思路
- 作者建立基于价值函数和边际重要性抽样的总回报识别结果，再结合悲观原则构造策略学习方法，并分析有限样本次优性。
- 材料陈述的贡献
- 摘要称在所设数据覆盖与建模条件下，为寻找类内最优策略提供有限样本次优性保证，并以肾移植问题启发的数值研究示例。
- 阅读关注点
- 核对工具变量的有效性和动态识别条件、数据覆盖的具体含义、策略类限制，以及悲观目标如何构造和误差界如何依赖模型。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出完整识别与覆盖条件，数值研究也不等于真实临床策略效果验证。
原文摘要
We study the offline reinforcement learning (RL) in the face of unmeasured confounders. Due to the lack of online interaction with the environment, offline RL is facing the following two significant challenges: (i) the agent may be confounded by the unobserved state variables; (ii) the offline data collected a prior does not provide sufficient coverage for the environment. To tackle the above challenges, we study the policy learning in the confounded MDPs with the aid of instrumental variables. Specifically, we first establish value function (VF)-based and marginalized importance sampling (MIS)-based identification results for the expected total reward in the confounded MDPs. Then by leveraging pessimism and our identification results, we propose various policy learning methods with the finite-sample suboptimality guarantee of finding the optimal in-class policy under minimal data coverage and modeling assumptions. Lastly, our extensive theoretical investigations and one numerical study motivated by the kidney transplantation demonstrate the promising performance of the proposed methods.