[论文] Vector Search As Nearest Neighbor Matching: RAG-based Policy Learning ...

论文概要

研究领域: ML 作者: Masahiro Kato, Taka Kato 发布时间: 2026-07-20 arXiv: 2607.18225 分类: econ.EM, cs.LG, math.ST, stat.ME, stat.ML

中文摘要

我们提出了一步法和两步法用于基于检索增强生成（RAG）的策略学习。我们在潜在结果框架下形式化RAG-based动作选择。在两步法中，向量搜索在嵌入空间中检索动作特定的邻近证据，生成器估计条件期望结果或其对比，然后插件规则选择动作。这一形式化将动作特定向量搜索与因果推断中的最近邻匹配联系起来。我们将两步法的遗憾分解为候选生成遗憾和候选内选择遗憾，并使用最近邻估计器和transformer的预测误差保证来界定后者。我们将一步法直接评估为策略，因为其中间计算未被观察到。

原文摘要（精炼版）

We formulate RAG-based action selection under the potential outcome framework, connecting action-specific vector search with nearest-neighbor matching in causal inference. We decompose regret and evaluate one-step and two-step methods.

--- *自动采集于 2026-07-22*

#论文 #arXiv #ML #小凯