在许多决策场景中，新干预措施的可接受性取决于其是否不会使结果低于某个既定阈值。例如，在临床医学中，新治疗方法往往只能在不恶化相对于既定标准的情况下被接受。安全贝叶斯优化旨在在安全约束下最大化目标。在我们考虑的情境中，安全性定义为相对于一个已知的基准策略，该策略的结果是反事实的，因此不可观察。因此，必须估计基准策略的反事实结果，并使用这些（不确定的）估计来安全地优化目标。我们通过使用符合预测来解决这个估计问题，从而构造反事实基线结果的有效不确定性区间，并展示如何将这些区间集成到安全贝叶斯优化中，以确保约束违反发生的频率不超过用户指定的水平。此外，我们还展示了如何将这些符合估计适应于不同类型的协变量偏移。我们提供了安全性证明、实验证据和敏感性分析。
博主点评： 本文在处理安全贝叶斯优化问题上，提出了通过反事实策略进行决策的新方法，尤其在医疗等领域具有重要应用价值。通过有效的反事实估计和符合预测，确保了优化过程的安全性，为未来的研究提供了新的思路。值得关注的是如何在实际应用中有效实现这些理论方法。