从Bandit反馈中高效地进行反事实学习

在利用来自多臂赌博机反馈的批量数据进行离线策略评估和优化时，最统计高效的方法是什么？对于由上下文多臂赌博机算法生成的日志数据，我们考虑了用于估计反事实策略预期奖励的离线估计器。研究表明，我们的估计器在一大类估计器中具有最低的方差，相对于标准估计器实现了方差减少。随后，我们将这些估计器应用于一家大型广告公司改进广告设计。与理论结果一致，我们的估计器使我们能够在统计上更加自信地改进现有的多臂赌博机算法，相比最先进的基准方法表现更优。