arXiv · cs.AI· Jessica Lally, Milad Kazemi, Nicola Paoletti·· 6 小时前
MDP在统计与因果不确定性下的稳健反事实推断
Robust Counterfactuals for Markov Decision Processes under Statistical and Causal Uncertainties
arXiv:2610.20210v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Jessica Lally, Milad Kazemi, Nicola Paoletti
研究任务与主要进展
作者提出一种同时处理统计不确定性和未知因果模型的MDP部分反事实推断框架。基于论文摘要，该方法为区间MDP所蕴含的全部SCM给出反事实概率的闭式解析界，并通过悲观价值迭代计算实现目标反事实结果的最小稳健干预；多个案例实验显示其可用于识别若改变行动即可改善结果的动作集合。
阶段、条件与复现 · 深读核对
- 任务输出与输入访问模型是什么？
- 在什么假设、规模与资源条件下成立？
- 与哪种经典基线比较，是否计入编码与读出？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org