时变特征场景下的主动特征获取方法评估

摘要

机器学习方法通常假设输入特征可无偿获取。然而在医疗等领域，特征获取可能代价高昂或存在风险，需要权衡特征获取成本与预测价值。训练AI代理决策特征获取的任务称为主动特征获取(AFA)。部署AFA代理会改变获取策略并引发分布偏移。为在此偏移下安全部署AFA代理，本文提出主动特征获取性能评估(AFAPE)问题。

研究在两种假设下考察AFAPE：

1. 无直接效应(NDE)假设：获取行为不影响底层特征值
2. 无未观测混杂(NUC)假设：历史特征获取决策仅基于已观测特征

研究表明：

• 在NDE假设下可采用缺失数据处理方法
• 在NUC假设下适用离线强化学习
• 当NDE与NUC同时成立时，提出新型半离线强化学习框架

该框架需要更弱的正性假设，并引入三种新评估器：

1. 直接法(DM)评估器
2. 逆概率加权(IPW)评估器
3. 双重强化学习(DRL)评估器
   更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）
   公众号二维码