Apprendere una geometria causale delle azioni impiegabile in presenza di non stazionarietà temporale

Abstract degli autori

Apprendere dai dati osservazionali di serie temporali una legge di risposta per decisioni continue è fondamentale per molti sistemi decisionali reali. La non stazionarietà temporale pone però una sfida di fondo: quando gli esiti cambiano nel tempo, i modelli che aggregano ingenuamente i dati possono confondere gli effetti delle azioni con gli spostamenti dei livelli di base e persino invertire la graduatoria delle azioni. Anche quando la risposta a un singolo passo è identificabile, generalizzare senza restrizioni da un periodo all’altro resta un problema fondamentalmente mal posto. Cerchiamo quindi la parte della risposta che rimane stabile ai fini decisionali anche quando non lo sono i livelli degli esiti. Proponiamo una geometria causale delle azioni impiegabile: la forma della risposta alle azioni che rimane dopo aver eliminato mediante ancoraggio gli spostamenti di livello indipendenti dall’azione su una scala di collegamento selezionata e dopo aver eliminato mediante profilazione la variabilità positiva dell’ampiezza. Su questa base sviluppiamo uno stimatore ortogonale in due fasi: prima ottiene stime preliminari delle risposte ancorate mediante cross-fitting, poi effettua una selezione onesta con profilazione tra classi di funzioni di collegamento, rappresentazioni e forme. Lo stimatore così ottenuto gode di garanzie oracle per l’obiettivo ristretto e, in condizioni di persistenza approssimata, produce regole decisionali che restano prossime all’ottimo nei periodi futuri. Gli esperimenti su dati sintetici e su Dominick’s confermano la validità dell’obiettivo proposto e il suo comportamento nel trasferimento. In un test A/B randomizzato su Taobao, il sistema impiegato aumenta il GMV e il numero di acquisti rispettivamente dell’\(1.16\%\) e dell’\(1.70\%\).