Online-Entscheidungsfindung mit hochdimensionalen Kovariaten

Entscheidungsträger haben zunehmend Zugang zu umfangreichen, kundenspezifischen Daten, was die Möglichkeit bietet, bessere, personalisierte Serviceentscheidungen zu treffen. Zum Beispiel können Ärzte im Gesundheitswesen Interventionen basierend auf der klinischen Vorgeschichte eines Patienten personalisieren; im Marketing können Unternehmen Anzeigen basierend auf der Kaufhistorie der Kunden ausrichten. Allerdings impliziert die erhöhte Vielfalt potenziell relevanter Kundendaten, dass die Kovariaten eines Individuums hochdimensional sein können, was wiederum statistische Herausforderungen für das Erlernen personalisierter Entscheidungsrichtlinien mit sich bringt. In "Online Decision-Making with High-Dimensional Covariates" führen H. Bastani und M. Bayati den LASSO Bandit ein, einen adaptiven Entscheidungsalgorithmus, der hochdimensionale Nutzerkovariaten effizient nutzt, indem er spärliche Modelle von Entscheidungsbelohnungen lernt. Die Autoren veranschaulichen die praktische Relevanz eines solchen Ansatzes, indem sie ihn an einem personalisierten Dosierungsproblem für Medikamente evaluieren und feststellen, dass der LASSO Bandit bestehende Banditenmethoden und Ärzte in der korrekten Dosierung einer Mehrheit von Patienten übertrifft.