Off-policy Evaluation in Doubly Inhomogeneous Environments
时间与个体双重异质环境中的离策略评估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：摘要关注利用离线数据评估替代策略的价值，与政策干预评价直接相关。
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…
时间与个体双重异质环境中的离策略评估
- 研究问题
- 当强化学习环境同时违反时间平稳性和个体同质性时，如何利用离线数据评估目标策略的价值并进行统计推断？
- 方法与思路
- 作者为奖励函数和观测转移函数建立潜在因子模型，在此基础上构造同时包含基于模型与无模型方法的评估框架。
- 材料陈述的贡献
- 摘要称建立了价值估计量的理论性质，实验中优于忽略任一类异质性的比较方法，并应用于重症监护数据。
- 阅读关注点
- 应核对目标策略价值的定义、离线数据识别该价值的条件、潜在因子的可识别性，以及两类估计方法的适用差异。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明策略支持条件、因子设定限制及理论结论的具体形式。
原文摘要
This work aims to study off-policy evaluation (OPE) under scenarios where two key reinforcement learning (RL) assumptions -- temporal stationarity and individual homogeneity are both violated. To handle the ``double inhomogeneities", we propose a class of latent factor models for the reward and observation transition functions, under which we develop a general OPE framework that consists of both model-based and model-free approaches. To our knowledge, this is the first paper that develops statistically sound OPE methods in offline RL with double inhomogeneities. It contributes to a deeper understanding of OPE in environments, where standard RL assumptions are not met, and provides several practical approaches in these settings. We establish the theoretical properties of the proposed value estimators and empirically show that our approach outperforms competing methods that ignore either temporal nonstationarity or individual heterogeneity. Finally, we illustrate our method on a data set from the Medical Information Mart for Intensive Care.