带风险控制的安全元策略设计

该研究提出一种离线元策略方法，在训练新候选策略前规划更新计划，在预算约束下限制预期出现"更新后性能变差"的次数，以此在策略改进收益与退化风险之间权衡。方法将更新计划表示为有向无环图中的路径，并用动态规划求解；分析指出策略改进的信噪比是决定更新频率、等待时间和风险分配的关键因素。研究在合成数据和临床试验数据上验证了该方法的性能-风险权衡效果。